物联网、云计算以及移动互联网的深入发展,促使基于智能设备与应用的数据流量经历爆炸式增长。这些数据可通过以人为中心的网络应用以及基于设备的应用程序大量获取得到。随着数据挖掘、机器学习等技术的新一轮浪潮,人类可从这些海量原始数据中提取数据信息和挖掘数据关联性,获得对事物的新认知,从而提升人类的生产生活水平。然而,数据挖掘技术为人类带来便利的同时,也会引入许多安全隐患,首当其冲的就是隐私问题。鉴于人们对个人隐私的关注程度愈发高涨,数据隐私保护问题也成为研究热点。数据隐私保护已存在大量成果,研究者提出了诸多方法,其中基于传统加密算法的解决方案具有计算复杂度高,容易被破解的缺点。因此,有研究成果引入了差分隐私保护技术,解决数据隐私威胁问题。然而,典型的差分隐私保护技术仅考虑了数据精度,难以针对流式数据隐私保护方案进行整体的安全度量与评估。此外,当前的差分隐私解决方案在实用性和可用性方面仍需进一步提高。本文针对差分隐私保护在流式数据方面的应用进行研究。具体来讲,主要研究内容及创新点如下:1.针对于隐私保护的度量标准,定义了隐私质量的概念—QoP,该度量标准既考虑到统计数据的误差又考虑到隐私保护的窗口长度,这种新的度量方式可以更加全面的评价差分隐私保护算法,尤其是针对差分隐私保护算法在流式数据场景中的应用。2.为了使差分隐私保护算法能够更好的适用于现实场景,提出基于QoP的自适应ω-事件级差分隐私算法,该算法能够根据数据变化状态实时地调整隐私保护的窗口长度,提高算法的可用性和通用性。3.为避免差分隐私中扰动算法引入的过量噪声,提出基于智能分组的扰动算法。该算法利用机器学习技术,将数据智能分组,可有效减小差分隐私算法中扰动机制引入的误差,能在较高的隐私需求下,实现较高的数据精度。4.面向雾计算的实时数据传输,给出相应的隐私保护解决方案与应用案例,可为分布式的传感器数据提供强大的隐私保护能力。全文共5章,图11幅,表格5个,参考文献100篇