随着信息技术革命在全球范围内的深入推进与互联网软硬件的广泛普及以及“互联网+”产业形态的兴起,大数据的时代已经来临。剧增的数据量一方面为数据挖掘技术提供了有力的支撑,为人类社会提供了更为智能与便捷的网络服务,另一方面其带来的网络传输与存储需求也对现有的软件技术提出了严峻的挑战,催生了分布式技术的持续演进。消息中间件技术是分布式系统中为收发两端应用提供高效数据分发服务,支撑分布式系统平稳应对大数据量并发访问的软件技术。如今,在日益发展壮大的网络规模下,直面数据洪峰的消息中间件在吞吐率和传输时延上的性能瓶颈问题变得更加突出。巨大的数据传输需求使得数据服务提供商不得不部署大量的服务器组成复杂的中间件集群,从而导致了集群部署运维成本的飞升,数据传输所占用的网络带宽与存储资源又影响了分布式系统的整体服务效率。现有的消息中间件通过优化IO,减少冗余流程,增大并发线程数等传统软件优化方法来提升系统性能表现,但随着消息中间件软件的日臻完善这种做法所能带来的性能提升已逐渐遇到瓶颈。消息中间件亟需实现进一步性能提升的手段。为解决这一问题,本文提出数据驱动消息传输的思想,立足于分布式计算机系统迫切需要更高性能的消息中间件的现实,结合新兴的机器学习技术,提出了一种基于数据内容的消息中间件技术。针对消息中间件的吞吐量性能瓶颈,为改善消息中间件在大数据场景下对网络带宽与存储资源高占用的现状,本文设计了自编码训练模块,创新性地将自编码器引入消息中间件来对数值型消息进行最大程度的压缩,进而提升系统的吞吐率。针对分布式系统中存在的对关键热点数据的低时延传输需求,本文提出了分级消息传输方案,允许通过解析消息内容为消息设置优先级。通过将高优先级消息基于内存存储,而对存储于磁盘的普通消息利用内存映射技术进行优化,可以实现关键数据的优先高速传输,为关键业务的快速响应提供了支持。在此基础上,本文针对分布式环境设计了一套消息中间件系统。基于所设计方案,本文完成了整体系统的实现与部署,并对系统进行了性能测试与可用性测试。测试结果表明,与现存其他的消息中间件相比,本文所设计的消息中间件在吞吐率与部分消息的时延性能上具有优势。这一结果表明,通过引入数据分析方法提升消息中间件的性能表现是可行的,这为消息传输性能优化提供了新的思路,对分布式消息传输的相关研究具有重要意义。