随着互联网技术和数据挖掘技术的发展,数据在不断的被生成、发布共享和使用,然而人们在享受着数据共享带来的便利的同时,也面临着隐私泄露的风险。如何保证发布数据的可用性及安全性是学术界不断研究的问题。本文围绕多敏感属性数据发布的匿名隐私保护问题展开研究,通过对研究现状的分析,指出现有模型的不足。第一,现有模型忽略了属性间的相关性,泛化所有非敏感属性导致数据隐匿率过高,信息损失量过大,数据可用性差;第二,现有模型没有实现有效的敏感属性值分级别保护。针对以上问题,本文提出了基于属性相关的敏感度分级(α,l)-多样性模型及其实现算法,具体工作如下文所述:首先,介绍隐私保护中的匿名化技术,并分别介绍了三个经典匿名模型,然后介绍将用于与本文模型做对比的两个面向多敏感属性数据发布的匿名模型。对多敏感属性数据匿名发布所面临的问题进行详细描述,提出了基于属性相关的敏感度分级(α,l)-多样性模型,该模型通过保护属性间的相关性,减小属性的泛化率,提高发布数据的可用性,并对敏感属性值分级别保护,提高模型的隐私保护强度。其次,本文给出了实现(α,l)-多样性模型的两个子算法。属性划分算法首先确定准标识符属性与敏感属性的相关性,对属性进行预处理,然后给出敏感级别定义的新方法,该方法根据多样性L定义敏感级别,使得定义后的敏感级别分布更均匀。基于频繁项集的匿名等价组生成算法,利用FP-growth算法思想,先构造前缀树,然后遍历前缀树生成等价组,能够最大限度的保护属性间的相关性,并且能够生成更为合理的等价组,最后通过泛化技术生成匿名等价组。最后,设计对比实验,选取真实的数据集,设置不同参数做对比实验。实验结果表明,本文提出的基于属性相关的敏感度分级(α,l)-多样性模型能够有效的减小发布数据的信息损失量,并且保护属性间的相关性,提高数据的可用性,同时敏感属性分级别保护提高了模型的隐私保护强度,基于频繁项集生成等价组的算法有更高的执行效率。