近年来,随着互联网的普及,移动互联网的兴起,大数据的商业价值已经被运用到社会的方方面面,给人类社会发展带来了深远的影响。同时也使得对信息数据的收集、分析或挖掘也变得更加便捷、精确。然而,在以数据信息的共享、挖掘和知识发现等为研究目的过程中,也伴随着敏感隐私信息的泄露。如何保护个人的敏感数据不被泄露已经是当前社会一个亟待解决的问题。在进行数据发布或者共享时,就需要两方面考虑:a.数据中个人隐私不会被泄露;b.在进行数据挖掘等知识发现过程中,匿名后的数据仍具有较高的实用性和可用性。在避免数据隐私泄露的同时,保证数据的真实性、高效性是目前匿名隐私保护主要的研究方向。然而隐私保护具有个性化需求,不同的个体对隐私的定义也不一样,即便不同的个体,对相同的数据的隐私保护的程度也不一样。如何对不同的个体进行个性化隐私保护已经成为了当前研究匿名隐私保护领域热点。本文是基于个性化隐私保护需求,保护个人信息不被泄露和降低匿名化后数据损失,对数据的个性化匿名隐私保护进行分析研究,其主要的工作有:(1)结合传统的(a,k)-匿名隐私保护算法和(p,k)-匿名隐私保护算法。本文提出了一种个性化(p,a,k)-匿名隐私保护算法,算法根据用户定义的敏感属性的敏感度将敏感属性的属性值进行分级,对等价类中各等级的敏感值采用不同的匿名方法,从而实现对敏感属性的个性化隐私保护,同时能有效地抵御(a,k)-匿名模型和(p,k)-匿名模型存在的偏斜式攻击和概率攻击造成隐私泄露。实验表明,该算法比其他个性化隐私保护算法,能更好的保护个人隐私,同时可以极大地减少数据的损失度,大大提高数据的可用性,同时有近似更好的时间开销。(2)传统的用于使匿名模型生成等价类的方法由于没有考虑敏感属性取值问题,等价类中极易存在相同敏感属性的相似的敏感属性值,即使在后续进行了敏感属性值约束,也极容易引发概率攻击或者相似性攻击造成隐私泄露,其次在约束敏感属性值上造成更大的信息损失。本文提出了基于权重聚类的个性化匿名隐私保护算法,通过加权方式,对准标识符属性进行相似性的聚类,对敏感属性进行相异性的逆聚类,然后采用个性化匿名算法对聚类生成的每个簇进行个性化匿名约束,实现个性化隐私保护。通过实验表明,该算法能更好地保护个人隐私,同时该算法极大地降低了泛化过程中信息的损失。综上,本文主要研究的是针对个性化匿名隐私保护算法,通过研究用户个性化隐私保护的需求,为数据信息提供保护方法,相比于传统的匿名算法,本文提出的算法能更好地保护个人隐私不被泄露,同时极大地减少了匿名数据的信息损失,提高了数据的可用性。