当今全世界的科技革命处在历史的交汇点,互联网技术迅猛发展并深深融入人们的生产生活中。随着互联网技术在全世界的超速发展,人类社会也正式进入了“网络大数据”时代,但是各种各样携带着隐私的网络数据在发布过程中带来的个人隐私泄漏问题也正日益困扰着人们的生活,采用何种有效的隐私保护机制来发布数据已成为当今隐私保护领域研究的热点。本文采用差分隐私保护机制来发布实时数据流,差分隐私作为当前有效的隐私保护机制之一,已经得到了广泛的应用。目前已有多种算法用来生成满足差分隐私的静态直方图,但针对实时数据流环境下的直方图发布方法却很少,且没有较好地均衡噪声误差和数据可用性。原因在于(1)数据流实时性高,因为它是实时到达的,所以要求对数据进行实时隐私保护后发布;(2)数据流连续性强,它是源源不断到达的,到达时间和速率未知,所以要求能应对连续性的处理模型来发布数据;(3)数据流规模极大,会带来隐私保护上预算分配和直方图计数问题。基于此,本文首先提出了面向数据流的差分隐私直方图发布方法DDHP(Histogram Publication of Dynamic Data),该方法基于滑动窗口模型实时处理新到达数据,并采用距离测度的方法衡量相邻两个时间戳的数据相似性,以此来动态地分配隐私预算。通过比较L1、余弦、马氏距离在真实数据集上的应用的有效性,选择最优测度。DDHP采用级数法隐私预算分配策略来合理分配隐私预算,级数法其实是二分法的改进,该策略利用差分隐私保护的序列组合性质,利用级数的概念通立一个对差分隐私预算总量无穷次、不均匀分割,保证添加噪声的增加速度变慢,提高发布数据的可用性,实验结果表明,DDHP算法是有效可行的。但是当需要处理大量数据导致窗口值增大时,DDHP算法的误差增长速率也会急速增长,这是由于级数法隐私预算分配机制不适用于大窗口导致的。因此,本文又提出了一种新的适用于大窗口的隐私预算分配策略BA(Budget Absorption)机制动态分配隐私预算,避免隐私预算过早耗尽或剩余,在提高数据可用性的同时降低了算法的发布误差。实验验证了方法的有效性。