随着数据挖掘和数据发布等数据应用的出现与发展,如何保护隐私数据和防止敏感信息泄露成为当前面临的重大挑战。匿名化技术由于能在保护隐私信息的同时,保证对外发布数据的真实性,适用于众多领域的应用,成为近年来隐私保护技术研究领域的热点。但是,大多数现有的匿名发布研究都是基于静态数据集进行的,即假设需要匿名化的数据集不存在任何更新,且只需要发布一次。最近,人们开始关注如何对具有外部更新的动态数据集进行匿名化:当数据集存在旧数据删除和新数据插入这样的更新时,如何对其匿名化和发布。但是,与静态数据集相比,动态数据集的匿名化面临着更多挑战:1)由于动态数据集会随着时间的推移不断发生变化,因此常常需要在不同时刻对数据集进行匿名化和重发布:2)在实际应用中,动态数据集除了具有外部更新,还存在内部更新,即数据集所包含记录的属性值会动态更新。本文对同时包含外部更新和内部更新的完全动态数据集的匿名化进行了研究。本文以典型的现有匿名化方法为例,对已有方法不能对完全动态数据集进行安全匿名化进行了探讨。除了对动态数据集以及各种更新行为进行了正式定义和理论分析外,本文还首先提出了通用的、适用于所有匿名化重发布问题的隐私揭露框架和揭露风险评估理论。针对完全动态数据集的匿名化问题,本文提出了一个基于泛化的匿名化重发布原则m-Distinct。遵循m-Distinct原则的匿名重发布,能在发布真实有效数据的同时,保证隐私信息的安全。本文还设计了一个实现m-Distinct原则的算法。基于真实数据集的实验表明,本文所提出的匿名化原则和算法是有效和安全的。