随着通信技术的发展,物联网系统在越来越多的领域得到广泛应用。如何保障物联网系统的安全运行已成为一个热点研究问题。对物联网系统日志数据流进行实时异常检测,并对异常行为进行准确定位是保障物联网系统安全的关键。目前,很多研究人员已经在相关领域进行了深入的研究,如利用局部敏感哈希对高维数据重新建立索引结构,实现数据的准确定位;利用分类算法对大规模实时数据流进行异常判定等等。但是,现有的算法仍存在一些缺陷,如利用局部敏感哈希算法投影映射数据会造成数据失真,影响数据的查找和定位。利用分类算法对大规模实时数据进行判定时通常难以及时响应,表现出模型的鲁棒性较差等问题。针对现有物联网安全技术存在的安全隐患,本文提出了两个新颖的算法:一是针对大规模超高维数据的检索问题提出的基于果蝇局部敏感哈希的近似近邻搜索算法,该算法实现了物联网中大规模高维数据的准确定位与查找,二是针对物联网中大规模实时数据流,提出了基于果蝇局部敏感哈希的布隆过滤器异常检测算法。该算法实现了实时数据流中异常数据和正常数据在较短时间内完成准确分离。此外,本文证明了最大回归保距性差值定理,并进一步完善了维度扩张理论。因此,本文的主要贡献概括为以下三个方面:（1）针对物联网系统中超高维大规模数据的检索问题,本文提出了一种新颖的近似近邻搜索算法,该算法有效结合了生物感知过程和FJLT转换矩阵,能够在较短时间内完成对数据的准确定位和检索。（2）针对物联网系统中大规模实时数据流的异常判定问题,本文提出了一种新的基于果蝇局部敏感哈希的布隆过滤器异常检测算法,该算法利用果蝇局部敏感哈希对数据进行映射和布隆过滤器的快速处理数据的能力,同时结合布隆过滤器假阳性的概率计算和维度扩张过程理论的数据分离性质,训练出算法模型和阈值检测数据。（3）进一步完善了维度扩张理论。本文研究发现,在数据维度降低过程中的相似性损失大于其维度扩张过程中相似性损失;扩展数据集的维度,不单可以优先保留相似数据之间的相似性,也可以更容易的剥离异常数据。