为了验证基于机器学习的多种异构网络数据安全传输技术的有效性，对文献[1]的异构网络中的安全数据传输机制全数据传输机制、文献[2]基于异构网络的数据安全模型，比较三个系统的有效性。本实验中的实验数据集如表1所示。从上述实验数据中可以看出，实验选择的数据越来越多，以更好地验证三种方法的有效性，主要比较三种方法的传输延迟、数据传输中断和链路丢失率，具体内容如下。

1.传输时延对比

比较三种方法的传输延迟，比较结果如图5所示。通过分析图5发现，在谷歌公共数据集传输中，三种方法的传输延迟较小，随着数据传输量的增加，三种方法的数据传输延迟增加，但通过比较可以发现基于机器学习的多异构网络数据安全传输技术的传输延迟最小，少于两种传统方法。

2.数据传输中断的比较

比较三种传输技术的应用后，数据传输中断，比较结果如图6所示。通过图6可以发现，本研究的传输技术中断的数据传输最少，在几个实验中少于传统的两种传输技术。

3.链路丢包率对比

基于机器学习的多元异构网络数据安全传输技术和传统传输技术分别用于数据传输。三种方法的丢包率对比结果如图7所示。通过分析图7可以发现，传统异构网络中安全数据传输机制的链路丢包率最高，高于基于异构网络的数据安全模型和本研究的传输技术。综上所述，本研究基于机器学习的多元异构网络数据安全传输技术比传统两种传输技术的传输时间少，丢包率低。原因是本研究的传输技术提前预处理了多元异构网络数据，制定了带宽调度方案，建立了安全传输协议，提高了多元异构网络数据的安全传输效果。

本文设计了一种基于机器学习的多异构网络数据安全传输技术，并通过实验验证了该研究技术的有效性。该技术可以提高数据传输的效率，降低数据传输的丢失率，具有很强的实际应用意义。但由于研究时间的限制，多异构网络数据安全传输技术仍存在一些不足，需要在后续研究中进一步优化。