在大数据高速发展的今天,对空间数据的收集处理需求越来越大,而在满足差分隐私保护要求的空间数据划分发布中,数据的分布特征是不容忽略的重要因素。当区间粒度选择过粗时由于数据分布的不均匀会引起划分误差过大,当区间粒度选择过细时数据分布相似则会引起噪声误差的累积,为解决区间划分与数据分布特征的适应性问题,本文提出了基于差分隐私的逻辑网格层次优化划分方法HOLG-DP(Hierarchical Optimization of Logical Grids based on Differential Privacy),该方法采用自下而上凝聚的思想,首先对数据集进行初始细粒度的网格划分,再根据数据分布相似度合并形成相对的“粗粒度”网格,对形成的新的网格单元内部区域根据查询贡献率的计算进行二次划分,最终构成三层层次模型。HOLG-DP方法提出逻辑网格单元的概念,解决了网格单元划分过细,网格单元数目庞大而直接导致的噪声累积问题;提出逻辑网格域的概念,形成逻辑网格单元的集合,对逻辑网格域进行层次模型的构建,并使用一致性约束处理内部结点,提高了查询的效用性。为降低HOLG-DP划分方法的时间复杂度,本文提出利用哈夫曼树来优化处理HOLG-DP生成的层次树,通过对相同类型的层次树构建哈夫曼树,使得在相同类型中分布面积较大的层次树的加权路径长度较短,从而实现在待划分发布的数据域上在保证了查询效用性的同时,有效地降低划分算法查询响应时间。本文为验证HOLG-DP以及利用哈夫曼树优化后的HOLG-DP方法的可行性,分别在实际数据集上分析不同阈值下其相对误差的变化情况;比较HOLG-DP方法与不同划分方法在相同的隐私保护预算下的查询结果的准确性,并通过比较在不同隐私保护参数下不同划分方法的运行响应时间,来验证利用哈夫曼树优化的HOLG-DP方法的可行性。两组实验中可观察到相对误差都有明显降低,发布的查询结果的效用性在一定规模的查询区域中有显著提高,后者能有效地降低运行响应时间。