随着传感器技术、互联网技术的发展,以及IPV6的推行,物联网将会把互联网技术推进一个新的时代。在万物互联的世界中,用户将对数据的收集和共享提出更多需求,以至于数据量的极速增长。与传统的批处理数据相比,流数据作为一种新的数据形式,主要具有以下三个特征:一是对数据处理具有较强的实时性要求;二是数据分布可能随时间不断变化;三是数据规模极其庞大。如金融股票、网络流量监控、用户购物浏览信息、无线传感器网络等领域,数据均是以流的形式存在的。由于在实际场景中流数据的广泛应用,针对流数据可靠性的相关研究迅速得到人们的重视。而异常检测作为可靠性分析的重要组成部分,也成为了流式数据的研究热点之一。异常检测拥有广泛的应用场景,例如入侵检测、日志分析、复杂系统故障检测和智能家居报警等。流数据的异常检测与传统数据异常检测存在较大的区别,其中最主要的影响因素是流数据具有概念漂移的特性。概念漂移即数据分布会随着时间的推移不断变化。在传统的异常检测算法一般假设数据分布是稳定不变的,因此若将传统异常检测算法直接应用于流数据,则无法识别并处理概念漂移,从而使得检测性能不断恶化。本文将针对存在概念漂移的数据流,研究流数据的异常检测算法,并在Storm平台上进行实现。本文主要研究内容包含以下三个部分:(1)基于概念漂移的异常检测算法研究该部分研究结合聚类、马尔可夫模型和窗口理论,针对现有的流数据异常检测算法存在的新概念检测的滞后性问题进行优化。(2)基于上下文信息的数据补全算法研究该部分解决的问题主要包括两类:一是在概念漂移的状态下对数据进行分类;二是在数据属性缺失过多无法分类时,结合上下文信息对其进行分类。(3)Storm分布式实时异常检测平台的实现结合1和2中的理论研究,在Storm平台上部署实时异常检测算法。本文实验结果表明,改进后的异常检测算法聚类效果更稳定,获取新概念的能力更强。参考上下文信息的数据补全算法解决了原有的分类特征缺失过多而无法分类的问题。