随着数据的爆炸式增长,资源受限的用户在本地进行数据挖掘的任务越来越困难,为了节省成本和提高挖掘效率,用户选择将数据挖掘任务外包给具有强大计算能力和大量存储空间的云服务器。然而,在云环境中对数据进行挖掘时,一些数据的敏感信息会被泄露。因此,如何在保证数据的隐私性不被破坏的情况下来对数据进行挖掘是至关重要的,并且已经成为了一个研究热点。本文将结合密码学相关知识对隐私保护的聚类数据挖掘进行研究,主要做了以下两个方面的工作:1、提出了可动态调整的隐私保护聚类数据挖掘方案。该方案允许云服务器在加密的数据集上动态调整聚类的个数并且恰当选取初始的聚类中心,在保证了数据的隐私性和聚类的精确度的同时也提高了聚类效率。在隐私保护的聚类方案中,由于K均值算法需要提前确定聚类的个数和初始聚类中心,而对于没有经验的数据拥有者需要大量的计算。为此,我们将这些任务交付给具有大量计算的云服务器,以此来减轻数据拥有者的计算负担。数据拥有者采用轻量级的对称加密算法将数据加密后上传到云服务器,云服务器将动态调整聚类个数,并将确定的聚类个数和初始聚类中心发送给数据拥有者。通过对该方案的分析和证明,验证了本方案在减少数据拥有者的计算量的同时聚类的精确度没有发生变化,而且是安全高效的。2、提出了多密钥下更安全的外包的K均值聚类方案。该方案允许数据拥有者使用自己的公私钥将数据安全地外包给两个不共谋的云服务器,并且允许云服务器能够处理不同密钥下的加密数据。为了保证数据的隐私性,我们采用具有双重解密性质的加法同态密码来加密数据。然后,构造了一个安全的密文乘法协议,使得参与该协议的两个不共谋的云服务器完成密文的乘法运算,而不会泄露关于原始数据的任何信息。接着,利用密文上最基本的加法和乘法子协议构造了安全的密文转换协议、安全的欧式距离的平方协议等子协议,并且通过构造的子协议来完成隐私保护的聚类数据挖掘任务。此外,数据拥有者采用对称密码系统将加密的数据库再次加密发送给云服务器,防止拥有主密钥的云服务器解密数据拥有者的密文。该方案中的数据拥有者和询问用户能够用自己公私钥加密数据且不参与聚类挖掘过程。该方案通过对每个子协议进行分析讨论,证明了我们的方案是安全的。最后,我们对比了目前的隐私保护的K均值聚类数据挖掘方案,表明了我们的方案是最优的。