K-均值聚类算法作为数据挖掘中最常用、最强大的聚类算法之一,广泛应用于数据库、人工智能、统计学和生物学等各个领域。通常聚类所需要的原始数据分布在不同的组织或机构中,数据拥有者希望通过与他人合作来进行全局数据挖掘,获得更准确的聚类结果。然而,作为大数据时代的核心资产,数据不能轻易的被分享出去,因此,出现了一个难题:数据提供者担心数据泄露,不愿也不能公开自己的数据;相反,数据需求者需要准确的、大量的数据来支持数据分析。隐私保护聚类技术使用安全多方计算和同态加密原语来保证数据的安全性,从而实现数据的安全流通,有效的解决了该难题。传统的隐私保护聚类方案大多基于半可信模型,即参与方严格遵循协议。多数情况下,半可信模型足以满足人们的安全性要求。恶意模型作为隐私保护聚类方案的另一种安全模型,提供更强了的安全性。在恶意模型中,即使敌手不遵循协议,也能够保证数据安全,在实际中有更广泛的应用前景。本研究在恶意模型下提出了一种新的隐私保护K-均值聚类方案,主要研究内容和成果总结如下:在恶意模型下,本文采用安全多方计算技术构造以及实现了水平和垂直分区数据集的安全K-均值聚类。针对明文K-均值算法包括输入、聚类中心初始化、划分数据、更新聚类中心和计算终止条件的五个模块,本文首先提炼共有的基础计算单元以及对应的安全计算单元;在此基础上,构造安全除法和安全矩阵乘法组件以及安全电路比较、安全平方欧式距离、安全曼哈顿距离和安全最小值函数;最后,利用设计和构造的安全计算组件和安全计算函数实现了安全K-均值聚类方案。为了使协议具有抵抗恶意敌手的能力,本文使用了无条件安全的消息认证码,通过对消息认证码进行检查,协议能够发现恶意行为并中止运行。本文对所提方案的安全性进行了详细的理论分析,证明方案能够抵抗恶意敌手的攻击,达成了恶意模型下的安全性。最后本文在水平分区和垂直分区的数据集上进行了仿真实验,实验结果表明,本文设计方案的计算和通信成本在可接受的范围内,在不牺牲聚类准确性的前提下,实现了恶意模型K-均值聚类,在聚类效率、安全性和聚类准确性之间达成了很好的平衡。