在大数据时代下,为了追求数据处理的高效性和经济性,人们更多得把数据移交云平台,通过并行的方式来处理数据,而MapReduce就是其中最流行的一种并行编程模型。利用MapReduce模型高效处理常见的基本问题始终是研究热点之一。然而,云端处理数据存在信息泄露的安全隐患。因此,本文围绕三种常见的基本问题,数据库的多表连接,数据的分组和聚合以及矩阵计算,在已有的解决这类问题的面向MapReduce编程模型的算法基础上,设计并实现了新的算法来增加数据的隐私保护。本文假定数据被提交给具有诚实但好奇特性的云端服务器,(即服务器严格执行任务但尽可能得试图获知更多数据信息),并且用户被允许访问数据处理的结果。在此基础上,本文提出了两种安全概念:(1)Secure-Private(SP):云平台和用户在不能互相串通的前提下,云平台不能获知输入数据的真实信息或运算的结果,而用户不能获知除最后结果以外的信息。(2)Collis ion-Resistant-Secure-Private(CRSP):即使云平台和用户可以互相串通,即云平台知道用户的私钥,也保证云平台不能获知输入数据的真实信息或运算的结果,而用户也不能获知除最后结果以外的信息。对于数据分组和聚合问题,本文提出并实现了满足第一种安全的算法,而对于多表连接和矩阵乘积计算问题,本文提出并实现了分别满足两种安全概念的算法。此外,本文还针对矩阵的乘积计算,设计并实现了基于Strassen-Winograd算法的面向MapReduce的新算法以及分别满足两种安全概念的算法。本文使用主流的云平台之一的Hadoop对以上这些算法进行实际数据的测试,并从加密代价,交流代价和计算代价方面对这些结果进行分析比较。