异常检测是数据挖掘领域的传统研究热点,跟相似性检索相反,异常检测是为了找出数据集中跟其他元素最不相似的那些元素;而时间序列又是现实世界中最为常见的数据种类之一,所有随着时间推移而产生的数据都属于时间序列范畴。因此针对时间序列的异常检测一直备受数据挖掘领域的专家学者们关注,而且在现实中也有诸多应用。传统的时间序列异常检测算法的时间复杂度与序列的长度成平方关系,是一种O(N~2)的算法。研究人员提出了很多针对该算法的加速方法以应对不断增长的数据规模。但是这些加速方法都局限在单机实现上,在面对千万级别规模的时间序列时,这些算法基本都会失效,不仅仅是因为顺序处理速度慢,更为重要的原因是内存中根本装不下这么多数据。本文正是针对这个局限性,提出了基于分布式计算的时间序列异常检测算法。我们的分布式算法解决了传统检测算法中子问题的解不能被归并的问题,从而可以使原问题通过分治策略解决,这样带来的直接好处就是数据的分块处理,消除了内存瓶颈。我们基于分布式计算框架Spark和分布式存储框架HDFS实现了分布式时间序列异常检测算法。经过实验验证,在超过百万级别的数据规模下,大部分传统的时间序列异常检测算法已经无法胜任,而其他一些采用磁盘扫描逐个读取数据记录的算法在计算效率上远远落后于我们的分布式算法,我们使用4个Spark节点,达到了5倍以上的加速。我们这个可扩展的分布式算法保证了大规模数据下时间序列异常检测的可行性。