随着移动互联技术及应用的深入和发展,许多公司、组织(如搜索引擎公司、电子商务企业或Internet服务提供商)提供便捷服务的同时也会收集海量的用户行为数据用于发布、统计、分析和挖掘等,然而,用户敏感的信息往往就存在于这些数据中。因此,在对这些数据进行发布、统计前需要对其进行隐私保护处理,以防用户隐私数据的泄露。差分隐私模型是现今使用最广泛的受隐私保护的数据发布技术,该模型以其出色的性能应用于许多隐私保护场合,主要通过向原始数据中添加噪声来实现隐私保护。然而,面对高维数据时,现存的隐私保护算法通常注入过大的噪声,使得发布的数据过度失真而具有较差的的准确性和可用性,因此,在满足差分隐私约束的基础上,如何提高发布数据的有效性和实用性是一个主要的难点。由此,本文所要研究的内容是基于差分隐私保护下的高维数据集的发布问题,研究目标为在满足差分隐私保护的前提下实现高维数据集数据发布的有效性和可用性(utility)。论文的主要贡献包括以下两个方面:(1)研究贝叶斯网络结构,针对现存贝叶斯网络模型的不足之处,提出一种基于互信息和K2评分函数相结合的带权贝叶斯网络模型。该模型通过对首属性的选择以及k值的确定,使得构造的贝叶斯网络中节点的低维边缘分布与高维数据集中属性的全分布高度拟合,提高分类准确性。(2)在贝叶斯网络模型既定的情况下,向数据集中添加噪音使其满足差分隐私保护。添加噪声时考虑属性字段的次序,并采取异方差加噪方式,使得数据集拥有一定的隐私性的同时,具有较高的可用性。(3)通过实验对生成的加噪数据集的可用性、安全性以及算法性能进行了佐证,和其他现存的一些相关类似算法进行比较,证明了本文提出的算法更优。图[13]表[7]参[55]