随着信息时代中数据量的快速增长,传统的数据挖掘方法在处理大规模数据上已稍显不足。分布式数据挖掘应用越来越广泛。然而,在分布式环境中,信息的共享可能会泄露个人的敏感信息,增加隐私泄露的风险。隐私保护数据挖掘(Privacy Preserving Data Mining,PPDM)成为当前数据挖掘领域一个越来越重要的课题。本文提出了一个基于SVM分类器的隐私保护数据挖掘框架,即PPNL-SVM(Privacy Preserving No-Linear SVM)。该框架在能够保护数据隐私的同时对水平分布数据进行分类挖掘。具体来说,研究内容如下:(1)为了在分布式数据挖掘中保护数据隐私,保证分类精度和效率。本文提出一个隐私保护非线性SVM(PPNL-SVM)框架来构建PPDM的分类模型。在数据水平分布和安全多方计算的半诚实模型条件下,PPNL-SVM框架分为三层:底层使用安全求和协议和Paillier同态加密方案将通过k-means聚类算法选择出的数据中心点进行加密来保护数据的隐私。中间层使用Nystrom近似技术和矩阵分解技术来减少复杂的通信和计算。顶层使用切平面技术加速分类模型训练过程。PPNL-SVM框架不需要依赖于可信第三方,所有参与者平等合作。安全求和协议和Paillier同态加密方案能够保证框架的安全性,得到有效的分类挖掘结果。(2)针对SVM分类器主要对二类分类有效的局限性,本文将PPNL-SVM框架扩展到解决数据水平分布的多类分类问题。使用一对多的方案,将多类分类问题分解成多个二类分类问题。通过PPNL-SVM框架来实现二类分类。因为PPNL-SVM的安全性和效率是有保证的,所以,多类分类的安全性和效率也能得到保证。本文对提出的框架进行了验证,实验结果表明PPNL-SVM框架在分类挖掘过程中不仅能够有效地保护数据隐私,提高分类器的性能,而且也能有效地解决多类分类问题。