随着物联网(Internet of Things,IoT)的发展,越来越多的设备可以实现网络互联,同时,因为设备量的增多,网络所面临的威胁也在增加。物联网的底层设备资源较为受限,无法部署复杂的异常检测机制。目前的大部分研究将异常检测机制部署于中心节点如服务器和边缘网关等节点上。对于一些底层设备可以相互通信的物联网来说,部署于中心节点的异常检测机制可能无法细致得对设备间的通信内容进行探查。而目前对于分布式部署的研究大多关注于如何轻量化异常检测机制,从而可能带来检测准确度的降低的问题。为了解决这个问题,本文主要给出一种分布式异常检测功能部署的方法,将一个完整的异常检测机制分成多个模块,并将其分布式的部署于物联网的底层节点中。这种部署保留了机制的完整性,可以保证较好的检测效果,同时,通过将检测机制划分部署,可以降低所需要的计算资源。本文首先针对较为理想的网络状况进行研究,以成本最小化为目的,构建优化模型,并使用改进的分支定界法对优化问题求解。同时,我们对求解算法进行仿真,并对部署后异常检测功能的检测效果和计算资源的损耗量进行分析。仿真结果表明,在理想的网络情况下,这种部署机制可以在保证较好的检测效果的情况下,减少节点所需要的计算资源量。随后,本文针对特殊情况下的资源更为受限的网络状况进行研究,给出优化模型的变动,同时使用改进的遗传算法对问题进行求解。本文对部署后异常检测功能的检测效果和计算资源的损耗量进行分析,研究结果表明,我们提出的异常检测部署机制在资源更为受限的网络状态下,可以在保证较好的检测效果的情况下,减少节点所需要的计算资源量。最后,本文针对异常检测机制的检测粒度调整机制进行研究。本文给出一种基于强化学习的异常检测粒度动态调整机制,机制主要根据当前网络状态预测下一时刻的网络状态,并对异常检测粒度做出相应的调整。与目前已有的研究不同的地方在于,本文提出的调整机制采用强化学习算法,不需要先验知识就可以进行模型的形成和网络状态的预测。同时,我们对机制的效果进行仿真,同时对其预测的准确度和计算资源的使用量进行仿真。仿真结果表明,这个机制可以在在保证较好的检测效果的情况下,减少节点计算资源的使用量。