随着数据时代的到来,数据间的交互越发频繁,数据在传递过程中的隐私泄露问题日趋严重。因此,如何保证数据在交互共享的过程中隐私信息能得到有效的保护成为专家学者研究的热点。k-匿名(k-anonymity)技术则是一种有效的隐私保护方法,其核心思想是通过对数据表中的元组进行匿名处理,使得处理后的数据表中的每一个元组都至少存在k-1条除敏感信息外与其不可区分的元组,从而保证攻击者无法准确推断出隐私信息所属的个体。k-匿名技术的求解算法众多,微聚集算法MDAV(Maximum Distance to Average Vector)即是其中较常使用的一种。其核心原理是依据元组间的相近程度进行快速分类,利用类质心进行匿名处理。该算法在效率、数据的可用性和安全性等方面均能取得较好的效果。本文主要针对隐私保护中的k匿名模型及其求解算法MDAV进行研究,分别从准标识属性和敏感属性这两个维度出发,有针对地进行个性化隐私保护。算法与模型的改进研究具体内容如下。(1)针对k-匿名求解算法MDAV,着重考虑准标识属性的重要程度,提出了灰微聚集算法GMDAV(Grey Maximum Distance to Average Vector)。该算法通过灰关联分析对属性的重要程度进行度量,在划分等价类时着重考虑重要属性的接近程度,以此加强重要属性的信息保有度。实验证明,通过该算法求解k-匿名模型能够有效地减少重要属性的信息损失程度。(2)在现有匿名模型的基础之上,着重考虑了敏感属性值的分布,提出了(k,l,gp)-匿名模型。该模型采用分位点结合敏感值出现频率,对等价类和全局的敏感属性值分布情况进行描述,要求二者的均衡接近度大于阀值gp(p为设置的参数)。并且,该模型增加了扩充等价类时新增元组的条件约束,要求新增元组能改善均衡接近度。通过实验验证,该模型能在保证信息较少损失的同时,减少隐私泄露风险。(3)对(k,l,gp)-匿名模型进一步改进,着重考虑了敏感属性值的敏感程度,提出了(k,l,gp,a)-匿名模型。该模型将敏感度a引入(k,l,gp)-匿名模型,并与灰关联分析结合,使得等价类与全局的敏感值分布关联度能够体现敏感值的敏感程度个性化,实现差异化隐私保护。通过实验验证,该模型不仅实现了面向敏感值的个性化隐私保护,有效保证了高敏感度敏感值的安全性,并有较好的隐私保护综合能力。