当今时代,数据作为重要的生产要素,为经济价值的创造带来巨大提升。随着大数据产业市场规模的迅速扩大,大数据的开放共享、交换流通成为趋势。然而个人隐私泄露问题正在阻碍数字经济的发展。随着数据的公开,用户网络形象逐渐丰富,个人隐私泄露的风险越来越大。为保护网络用户个人信息安全,一些隐私保护算法被研究者提出。然而这些隐私保护算法并不是百利而无一害的,基于匿名的隐私保护算法需要以数据的可用性为代价;基于加密的隐私保护算法需要利用大量的计算资源;基于差分隐私的隐私保护算法需要在原数据上添加噪声,过量的噪声会牺牲机器学习的训练效果,带来准确性上的偏差。综上,大多数隐私保护算法,隐私保护强度和使用代价都是成正比的,需要研究人员对数据进行隐私保护前,估计当前数据所需要的隐私保护程度。那么如何衡量数据的隐私需求和如何根据隐私需求使用隐私保护算法就是两个至关重要的问题。因此,针对以上问题,本文的主要工作内容如下:（1）为测量数据的隐私需求,提出基于互信息的隐私度量算法。首先该算法根据信息熵理论提出了一种量化隐私泄露程度的标准模型,能够有效计算数据中包含的隐私信息量,度量公开公共数据后敏感数据的隐私风险程度;同时,该算法利用聚类熵对等价类中敏感属性值的分布情况进行调整,使敏感属性取值尽量均匀的分布在各个等价类中,降低单个等价类中公共属性与敏感属性间关联度,减少敏感数据隐私泄露风险。（2）利用（1）中数据隐私权重的计算结果,设计双通道数据动态加密策略。传输时对数据选择性加密,旨在有限时间内最大化数据包隐私权重总和。首先,根据数据的隐私权重对数据包进行大致分类;然后,通过数据包隐私权重和加密时间计算权重排序表并降序排列,挑选出排在首位的数据包进行加密传输,直至传输时间结束;最后检查通道内部剩余时间,调整部分数据包传输通路,直至剩余时间不足以对任何数据包进行加密传输。实验结果表明,TDES能够在更短的计算时间内,获得更高的效率,能够很好的平衡数据安全和设备性能之间的矛盾。