信息科技的进步以及可穿戴设备的发展,为医疗健康流数据的研究提供了便利。其中医疗健康流数据在疾病监测和预防方面起着重要的作用。但是医疗健康流数据中包含了大量的患者敏感信息,如果直接对其进行统计发布,通过背景知识等攻击,攻击者很容易获取患者的隐私信息。ω-事件隐私是目前较为安全的流数据隐私发布模型,但是,直接应用现有的ω-事件隐私算法不能满足医疗健康流数据数据发布可用性的要求。因此,结合医疗健康流数据的两个数据特点:随时间波动变化和多事件波动,对ω-事件隐私算法进行优化,以满足医疗健康流数据隐私发布可用性的要求。在不同的时间点时,医疗健康流数据的计数统计值波动很大。现有的流数据隐私发布算法BA(Budget Absorption),没有考虑流数据的波动情况,发布的结果误差比较大。为减小发布误差,在BA算法的基础上引入了相似度参数β,相似度参数β是当前时间点统计值与该点前最新非空发布值的平均绝对距离和理论噪声之间比较的权重值,可以自适应地调节。计算滑动窗口内的方差,判断流数据的波动是否平稳。在流数据波动平稳的时候,增大参数β的值,降低发布点的数目,提高隐私预算吸收的比例;在流数据波动剧烈的时候,减小参数β的值,增加发布点的数目。本文设计的基于自适应相似度参数的隐私发布算法AdaptiveBA(Adaptive Budget Absorption),能够适应医疗健康流数据随时间的波动,降低了隐私发布的误差。在医疗健康多事件流数据中,各个事件的计数统计值波动特征不同,如果少量事件的计数统计值发生了变化,其他事件基本不变,只有少量的事件影响了现有隐私发布算法的相似度大小。这种情况下,稳定不变的事件的数值可以用历史发布过的数值近似,通过离线或在线的方式计算时间窗口内各个事件的方差,利用方差和给定阈值的大小比较,把事件分为两组,每组事件分别进行隐私发布。本文设计了一种基于事件分组的隐私发布算法EventGroupBA(EventGroup Budget Absorption),该算法根据各个事件的波动情况,调节各个事件的发布频率,减少发布过程中添加的噪声,降低了隐私发布的误差。在多个真实的医疗流数据集上进行了对比实验,实验表明,AdaptiveBA算法在相同的隐私预算下,能够同时降低单事件流和多事件流隐私发布过程中的误差,解决了在医疗健康流数据随时间波动很大的情况下,BA算法可用性差的问题;EventGroupBA算法优化了BA算法,在相同的隐私预算下,能够有效降低多事件流隐私发布的误差。