当前许多应用需要对统计数据进行持续性发布来达到检测的目的,这些应用包括实时交通状况分析、疾病检测和社会上的一些趋势分析等等,这种数据模型被称为数据流。数据流来源于许多用户的信息,这些信息可能会涉及到用户的隐私,因此在发布统计数据的同时还要注意对用户敏感信息的保护。现在一种标准的隐私保护模型是差分隐私,并且已经应用在数据流的发布中。据我们所知,目前数据流查询差分隐私保护主要有两种方法:一是在无限时间上保护事件级别的隐私;另一种是在有限时间上保护用户级别的隐私。但是这两种方法都有很大的缺点,前者发布的数据可用性很低,而后者无法保护连续时间段的隐私数据。除了各自的缺点,这两种方法还有一些不足:(1)只能对单独查询的结果进行保护。(2)对一些关联数据,数据之间的相关性无法保护。(3)查询结果准确性低。针对上述问题,首先根据数据之间是否具有相关性,将数据流分为关联数据流和非关联数据流。然后针对这两种不同类型的数据流提出了两种算法,这两种算法都是基于滑动窗口模型,主要研究内容如下:为了保护非关联数据流的隐私信息,提出了算法DPQW(Differentially private query via window)。该算法由两个重要算法组成,分别是Sample算法和Restructure算法,通过DPQW算法,不仅可以保护私密信息,而且可以提高查询集合结果的准确性。对于关联数据流,我们不仅需要保护每个时刻的隐私信息,还需要保护在连续时间内的不同时刻数据之间的相关性。为此我们提出了w-windowε-差分隐私模型,同时在w大小的窗口内我们又提出了一种动态的隐私预算分配方法DBD(Dynamic budget distribution),从而可以提高数据的可用性。通过真实数据集,将DPQW算法和基础的加噪算法Lap进行对比,同时将DBD算法与其他隐私预算分配算法进行对比,验证了本文提出的这两种算法的有效性与可用性。