随着我国物联网、传感器以及通信技术发展日趋加快,各个领域数据规模不断增加,数据成为一种在大数据时代新兴的资产。水文传感器在水文领域中扮演着重要角色,大规模水文传感器异常检测技术的飞跃也促进了水利建设和经济的发展。本文基于传统水文异常检测的不足,设计并实现了一套基于Flink的大规模水文传感器数据异常检测系统。结合ARIMA模型和Markov链来提高灵敏度和特异度,同时利用Flink大大的提升了计算效率。利用资源监控和基准测试,在一定资源情况下的,使得决策者能够做出最佳的选择。本文主要包括以下几方面工作:(1)基于传统ARIMA模型结合滑动窗口,使得ARIMA模型可以处理流数据。同时引入异常校验机制,利用Markov链计算出的一步转移矩阵对异常值进行评估,使得异常检测的特异度和灵敏度都有着显著地提升。本文通过建立组合模型,使用滁河实际数据来验证本文方法的可行性。结果表明,在计算百万级数据时,两个节点的计算时间比一个节点的计算时间长,但在计算千万级数据时,两个节点的计算时间比一个节点的时间短,最大缩减为17.43%。异常检测的灵敏度由5.75%提高到92.98%。在延迟方面,不同节点的平均延迟大致相同,均保持在20ms以内;(2)对时间序列数据库和Nosql的基准测试进行了研究。设计开发了整个Benchmark平台,实现了一个通用的基于Kafka的数据接口,用于同步向不同Nosql发送消息。对数据存储进行了选型和测试,给出了最适合水文数据的测试结果;(3)对大规模水文传感器异常检测系统的软件组成进行了设计,并建立了数据采集系统中消息中间件的设计方案。建立了Flink和Kafka之间的通信联系,并利用Flink进行流处理,实现了相关的异常检测功能,并对关键实现进行了展示和说明。最后阐述了持久化的设计以及整个系统的运行模式等;(4)设计并实现了管理平台,建立管理平台与大规模传感器异常检测系统的连接,基于滁河水文传感器测试了平台的各项不同的功能,结果表明该平台可实时显示滁河传感器的数据并进行相应的分析,并为工作人员提供账户管理和数据访问。