数据开放共享阶段对数据进行分析与应用已成为共识,然而数据发布过程通常伴随着隐私泄露,如何自动化识别结构化数据集中的敏感属性并对其分类分级,仍是隐私保护中的难题。本文以属性敏感度量化及属性间关联关系为基础,探讨敏感数据的智能识别算法及自适应隐私保护方案。首先,利用熵的相关定义对属性敏感度进行量化,通过对敏感度聚类和属性间关联规则挖掘,识别敏感属性;其次,通过挖掘敏感属性间的显性互信息相关性和隐性关联关系,对敏感属性进行分类,进一步在模糊综合评价法的框架下,实现敏感属性的分级处理;最后,考虑属性敏感程度的差异性,提出基于属性敏感度的加噪方法,从而制定敏感属性的自适应隐私保护方案。具体研究工作如下:(1)提出了一种结构化数据集的敏感属性智能识别算法。引入信息熵及最大离散熵作为量化属性敏感度的手段,并利用k-means算法对属性敏感度进行聚类分析,进一步通过Aprior算法挖掘属性间的关联规则,实现敏感属性的识别。实验表明,该算法无需预知属性特征即可识别任意结构化数据集的敏感属性,效率和精确率相较其它算法更高。(2)提出了一种结构化数据集的敏感属性分类分级方法。引入互信息度量敏感属性间的相关性,同时考虑敏感属性间的关联关系,实现对敏感属性的分类处理;在模糊综合评价法的框架下,对属性的敏感级别进行评估。对比分析表明,该方法兼顾了属性间的相关性和关联关系,能够更好地解决敏感属性的分类分级问题。(3)在上述研究成果的基础上,设计了一种敏感属性的自适应隐私保护方案。该方案以差分隐私中拉普拉斯加噪机制为研究基础,根据数据集中属性敏感程度的不同,为不同类别的敏感属性分配合理的噪声,从而提出了敏感属性的自适应隐私保护方案。通过实验对比分析,该方案在数据效用和隐私保护程度两方面,比传统的差分隐私加噪方式效果更好,较其它方案更具优势。