互联网的应用范围越来越广,渗透到了人们生活的方方面面,随着互联网的普及带动了数据挖掘技术的迅猛发展,企业及科研机构也同样希望能在网络大数据中获得更有价值的信息。同时越来越多的人依赖互联网,然而,他们常常不经意地把基本的个人信息(如邮政编码、出生日期、性别等)留在互联网上。同时,数据挖掘的发展也促使着越来越多的企业或组织多途径的收集数据,以发现其中潜在有价值的信息但是公布的数据通常包含个人的私人信息,例如为了研究某些疾病而公开发布的医疗记录。这些发布的数据表中通常包含个人的敏感属性,如果发布者并不重视,未对数据表做出匿名处理的话,则很可能危害到个人的安全造成患者隐私的泄露。因此,在公开之前,应删除所有可以直接链接到个人的信息,并且要对其他的非敏感属性也同样做必要的泛化处理以抵御同质性攻击及偏斜型攻击等风险,这就引发了数据表匿名隐私的研究热潮,越来越多的专家学者们不断推出新的更具安全性和有效性的匿名模型。数据分析和数据挖掘是当前科学研究必不可少的一项工作,许多组织越来越多地收集和发布数据来进行数据分析和科学研究,但是当数据发布者发布信息的同时,如果没有应用合适的方法进行数据处理,可能会导致个人的的泄露或者不必要的信息损失。近年来,在发布包含敏感信息的数据时,个人的隐私保护受到了重视,现有的隐私保护方案k-匿名模型可以很好地避免身份泄露,但是在背景知识攻击下,它并不能提供足够的隐私保护。1-diversity模型改进k-匿名方法来阻挡同质性攻击取得良好的成效,但是l-diversity的改进过程还有很多没有考虑的问题,由于其自身的缺陷在处理数值型敏感属性效果不是很好,并未考虑敏感度的问题,可能导致同一等价类中高敏感度值存在过多的情况,容易遭到偏斜型攻击,其采用基于概念层次结构的数据概化策略,必然会导致过度泛化,从而导致信息损失率升高,数据可用性降低,使得研究成果不明显,甚至出现错误。本文着重于提高信息可用性和安全性,以及选择适合的聚类方法来对初始数据集进行处理,使得同一等价类中各个元组间尽可能相似,所提出一种l-sensitivity-level匿名模型,是鉴于前人的探索,基于敏感度层级划分改进基于聚类l-diversity的方法,分析了属性泄露的原因,充分考虑了敏感属性的语义,对隐私保护给出了更明确的定义。首先将敏感属性值按照敏感程度高低分为不同层次,然后根据敏感属性对记录进行分组。文中给出的实验结果证明了该方案的可行性。在保证有着更高级的隐私保护的基础之上,数据的泛化程度最小,数据泛化程度更低,进一步提高数据可用性。