针对海量用户数据的综合分析是许多商业应用的核心价值所在。随着整个社会对隐私保护认知和关注程度的不断提升,在提供隐私保护能力的前提下对用户的整体数据进行收集和统计分析,这一需求变得日益重要与迫切。本地化差分隐私是目前解决此类问题的最重要技术框架之一,该技术使得用户有能力对自己提交的原始输入进行合理的扰动,从而获得合理的可否认性,以保护自身隐私,同时不需要可信第三方的参与。目前,包括谷歌、苹果、微软在内的主要公司都已在数据收集流程中应用了本地化差分隐私技术。然而,目前实用化的本地化差分隐私算法都存在固有缺陷,由于随机扰动的存在,系统性的统计误差无法避免,同时由于传输开销和隐私预算等因素的限制,以及现实数据收集条件的影响,扩大收集规模以减小误差的方案也面临诸多困难,这些问题限制了本地化差分隐私的大规模实用化。本文在已有研究的基础上,有以下创新:1.提出了一种改进本地化差分隐私传输开销的通用方案,可以通过伪随机数生成算法,使用常数级别的通信开销将任意元素的独热向量表示进行传输,通过保证伪随机数种子的均匀性和伪随机数发生器统计可用性的前提,给出算法正确性的保障。本文证明了该方案的理论正确性,并实验验证了其安全性与可行性。2.基于传输优化方案提出了分层重传的频数统计优化技术,该技术的主要思想是允许利用常数级别的通信开销优势,通过对等的其它用户进行协助传输,创造更多低频输入的不同扰动版本,从而对低频输入进行更多采样,以对该类输入获取更优秀的估计值。本文首先证明了该方案的理论可行性,然后定量地阐明了该技术可以提供的精度提升和隐私保障。3.利用百度输入法的实际场景中对本算法的性能进行了评估,在百度输入法应用的实际场景中,本算法以可接受的额外计算开销作为交换,在准确度和效率上相比原始方案都有较大的提升,单次传输开销缩减到常数级别。