随着机场的不断扩建以及航班需求量的持续增加,空域交通安全面临着巨大的安全隐患,这将对空域安全监视系统提出更高的要求。传统的空域监视技术有无线电探测和雷达系统,但存在成本、不易维护、广播效率低等问题,广播式自动相关监视系统(ADS-B,Automatic Dependent Surveillance Broadcast)技术应运而生。ADS-B是一种新型的监视系统,它在广播信息准确性、完整性、连续性、可用性、可靠性以及适应性和可伸缩性方面有更突出的优势。在大数据时代的背景下,单机环境已经无法满足海量飞行数据的存储、分析和监视。因此,在大数据平台下对ADS-B数据进行解析、存储和分析是提升飞行安全性和提高空中交通管理效率的重要问题。首先,针对来自学校自行研制的ADS-B接收机接收的ADS-B数据,根据航空无线电技术委员会(RCAT)标准,将原始数据块解析成有意义的数据信息,将解析后的数据存储到基于Hive的ADS-B数据仓库,并通过Mysql建立的索引表联合Hive中的分桶操作对消息种类进行划分,有效提高了数据解析效率并避免了Hive中索引不完善引起的查询效率低的问题。在此基础上,利用Map Reduce模型提供的高效分布式编程和运行框架对其进一步优化解析,其次,在以上研究的基础上,针对海量航迹数据异常检测分析效率低的问题,构建了基于Hadoop的IBAT(Isolation Based Anomalous Trajectory)并行化异常航迹检测模型。IBAT算法是基于隔离森林算法的改进算法,该算法将轨迹数据映射到地图网格中,通过对网格单元的筛选和隔离划分,并计算其异常分值,实现快速异常轨迹的检测。进一步针对轨迹信息异常检测运行效率问题,在Map Reduce环境下实现分布式改进,提高了算法效率。通过对比实验证明该算法在分布式环境下有更高的效率。