差分隐私是保护隐私的前沿技术之一,其安全性和数据效用是其广泛应用的基础,值得深入研究。为此,本文以差分隐私机制为研究对象,针对其数据安全性、参数安全性和数据效用存在的问题,提出了增强安全性和优化数据效用的若干方法。本文的主要创新工作如下:（1）发现了差分隐私机制的数据安全隐患,即询问的线性性质会导致隐私信息泄露。由于线性性质,询问可拆分为两个或多个子询问的和,且拆分方式有多种。基于背景知识精心设计询问的拆分方式,差分隐私机制将无法准确地计算隐私预算的消耗量,从而泄露数据的隐私信息。本文通过构造成员推断攻击证实了这一结论。（2）发现了差分隐私机制的隐私预算无法保密。利用背景知识能够构造已知答案的询问,而差分隐私机制为该询问生成的答案与已知答案之差就是添加的数据噪声;基于计算出的数据噪声,参数估计方法能够估计出噪声分布的参数,从而推断出隐私预算等参数。这意味着差分隐私机制的设计和使用人员无法保证隐私预算的保密性。本文通过构造参数恢复攻击证实了这一结论,并展示了参数恢复攻击可能造成的影响。（3）提出了使用非零均值数据噪声增强安全性的方法。当使用非零均值数据噪声构造差分隐私机制时,询问的多个答案的均值不再是该询问真实答案的无偏估计量,即用均值估计真实答案时,估计误差不会随着答案数量的增加而趋近于零。（4）提出了数据效用优化方法。本文将个性化采样技术引入差分隐私机制,在不降低隐私保护强度的前提下,提高了差分隐私机制的数据效用,提出了基于个性化采样的拉普拉斯机制、个性化采样和聚合机制。本文关于差分隐私机制安全性和数据效用的研究成果,将有益于设计出更加安全的差分隐私机制,减小实现隐私保护导致的数据分析精度降低,促进差分隐私技术落地应用。