移动互联网和智能终端设备可以产生大量的高维数据,这些数据具有潜在的规则和价值。然而,如果不经净化处理直接发布,可能会泄漏用户或组织的隐私信息。现有的高维数据差分隐私发布方法不能够较好地保护用户隐私。一方面,中心化差分隐私无法解决不可信服务器导致的隐私泄露问题,以及应用于众包场景存在诸多问题;另一方面,差分隐私作用于高维数据上不仅会引入大量的噪声,降低数据效用,也会产生时间复杂度高、计算复杂等问题。此外,多数方法在扰动数据时未考虑到属性的关联性,进一步导致信息损失。为解决上述问题,本文考虑众包场景下的数据收集与发布,提出一种基于随机响应和马尔可夫网的高维数据发布机制 HDPRM（High-Dimensional Data Publishing Mechanism Based on RR and Markov Network）。主要内容如下:首先,对于本地用户数据,采用随机响应的方法,通过构建基于阶梯机制的扰动矩阵对数据进行扰动,提出一种满足ε-LDP的算法以提供本地隐私保护,并理论证明该算法的可用性。其次,为了减少计算开销并尽可能保留属性的关联性,使用互信息获得属性之间的关联性,并根据该关联性构建马尔可夫网络,通过联结树算法降低数据的维数;为了提高数据的可用性,通过EM算法重构属性之间的联合分布,根据属性的联合分布和边缘分布对数据进行采样以生成最终的合成数据。最后,通过实验验证所提算法的性能,并将其与RRPP和Invariant-PRAM两种方法作对比分析。实验结果表明,当数据量较大以及隐私预算较小时,HDPRM在提高数据效用方面具有更好的优势。此外,为了更好地进行探讨,采用贝叶斯网作为参照,详细分析两种方案的优缺点。由于贝叶斯网相较于马尔可夫网更为复杂,因此计算复杂性更高,而采用马尔科夫网可以在减少计算开销的同时可以达到与贝叶斯网接近的效果,因此本文提出的方案更为实用。未来考虑将本地差分隐私应用于非关系型数据库及大数据计算框架中,让差分隐私技术得到更广泛的应用。图17表1参65