随着移动技术的快速发展,基于位置服务的应用使人们的生活越来越便捷,用户在享受便捷服务的同时,个人数据的隐私泄露问题也愈发严重。本地化差分隐私,由于其继承了中心化隐私保护方法被广泛应用于保护用户个人的敏感信息,已经成为当前研究的热点问题之一。基于本地差分隐私下的发布数据所采用的方法有数据扰动、数据压缩和数据扭曲三种方式,其中最为常用的是随机聚集有序相应隐私保护方法(RAPPOR,Randomized Aggregatable Privacy-Preserving Ordinal Response),该方法解决 了如众包应用中个人数据的隐私保护问题,但在数据挖掘的场景中具有一定的局限性,同时,由于算法本身的局限也不适用于复杂查询分析需求,会影响数据的可用性,以及导致数据分析结果的可信性问题。针对现有本地差分隐私方法用户数量不可变的限制,以及无法适用于复杂的数据分析应用的不足,如何在保证用户个人隐私需求的前提下,最大限度提供有价值的数据是本文研究的重要问题。论文对基于本地可变用户数据集的隐私保护方法进行了研究。首先,提出了一种新的基于可变用户集的数据发布方法。该方法解决了传统的RAPPOR方法中用户数量无法改变而带来的适用性不足问题,同时可满足本地差分隐私保热其次,提出了基于用户特征字符串的用户数据集管理方法。建立用户特征字符串集信息,通过对增量用户信息进行详细分析,解决可变用户数据集中增量数据的分类以及还原工作;第三,提出了基于k-频繁模式挖掘中的本地隐私保护方法。可对动态构建的增量用户集进行满足本地差分隐私的复杂数据分析,解决了传统本地差分隐私方法在数据分析利用方面的不足问题。最后,通过与传统的试验方法进行实验分析,验证了文章研究内容的有效性。