随着物联网时代的到来,物联网设备及其基础服务使人们的生活更加便利。然而,近年来物联网安全问题频发,影响了物联网应用的服务质量,给人们的财产安全带来了威胁。异常检测技术可以通过分析物联网设备间的通信数据流来识别各种恶意攻击,以保护物联网安全。大量的物联网设备通信产生的数据具有生成速度快、数据量大以及数据分布时变等特点,这对物联网异常检测是巨大的考验。本文围绕无监督学习,研究物联网应用中通信数据流的异常检测方法。研究内容如下:1)提出了一种基于无监督学习的动态异常检测方法,以批次的方式处理数据。该方法首先根据时间将数据划分为历史数据与当前数据,动态地对历史数据进行聚类,以保留数据流中的历史正常行为模式。同时,通过设定阈值避免异常数据影响聚类结果。其次,利用当前数据训练了一个孤立森林模型,该模型与聚类结果相结合以识别异常数据。实验结果表明该方法在准确率、精度、召回率以及F1分数方面较优。2)提出了一种基于降噪自编码器（Denoising Autoencoder,简称DAE）的异常检测模型,以在线的方式处理数据。首先,该模型在DAE中引入记忆模块,以帮助正常数据更好地重构。其次,记忆模块采用先入先出策略进行更新,从而可以学习正常数据的变化趋势,能够防止时变数据对模型性能的影响。最后,将输入数据的编码向量与记忆模块中存储向量的相似度添加到异常分的计算过程,提高了模型在无标签情况下识别异常的能力。实验结果表明该模型相较于对比模型性能较优。