战术末端的军事通信依托于链路不可靠、频繁中断且带宽受限的网络运行，极易导致关键信息传输延迟甚至丢失。这类网络目前正越来越多地承担数字指挥控制（C2）信息的传输职能，既要求传输时效性与准确性，也对军事行动的最终结果起到决定性作用。机器学习（ML）技术可通过观测当前任务状态与网络状态，自主对网络中待传信息的重要性做优先级排序、保障高价值内容优先送达，具备提升作战行动成效的潜力。本文详述了相关实验流程，以及用于对比机器学习方案与传统「按固定顺序排布报文的纯规则排序方案」的作战效能评估指标。我们提出两种基于回归算法的监督学习方法，经验证，二者在中度拥塞与重度拥塞的战术网络场景下，效能均优于前述非机器学习基线方案。