大規模網絡環境和大數據相關技術的發展對傳統數據融合分析技術提出了新的挑戰。針對目前多源數據融合分析過程靈活性差，處理效率低的問題，提出了一種基于相似連接的多源數據并行預處理方法，該方法采用了分治和并行的思想。首先，通過對多源數據中的相似語義進行統一，對個性語義進行保留的預處理方法提高了靈活性;其次，提出了一種改進的并行MapReduce框架，提高了相似連接的效率。實驗結果表明，所提方法在保證數據完整性的基礎上，使總的數據量減小了32%.與傳統的MapReduce框架相比，改進后的框架在耗費時間方面減小了43. 91%，因此該方法可以有效提高多源數據融合分析的效率.

　　多源數據的預處理過程是網絡環境進行安全分析的重要環節，根據實際的應用采取相應的具體措施山。一般性地，包括數據清理、數據格式轉換、數椐簡約等過程。其中數據清洗作為一個重要的環節，通過按照一定規則篩選數據，去除數據中的冗余部分。好的數據清洗方法不僅能夠降低系統處理數據所需的時間，并且能夠提高數據分析結果的準確度。為了對數據源進行靈活的數據清洗，盡量保留數據源的個性屬性，本文采用基于相似連接的數據清洗方法。相似連接在相似對象匹配問題中得到廣泛應用，如互聯網、數據分析、數據庫等，匹配對象也日益多樣，如串、圖、字符串和集合等。為了適應各種各樣的場景和對象，相似連接相關算法也得到了優化和改進。無論是基于單行串行數據還是集合數據，或是基于樹結構還是圖結構，優化和改進的方案主要以提高效率和靈活性或伸縮性為主。為了解決單行申行的相似連接候選集過多的問題，等提出了一種基于劃分的傳遞性的相似連接，該方法在相似匹配過程中利用傳遞性沒有使用全部子串，從而減少了匹配的候選集數目，提升了匹配的效率。為了提升算法的靈活性與伸縮性，Wang等提出了種快速相似連接算法，該算法既考慮到了相似的準確度，又考慮到了相似連接屬性的模糊度，可以進行靈活的篩選;然而隨著大數據與云計算等的出現，由于數據量的龐大導致算法效率低，這也是相似連接算法面臨的難題之一。