随着大数据时代的到来,大量的个人数据被收集和发布。数据的发布与共享既促进了科学研究的发展,又给人们的生活带来了便利,但也存在着隐私数据泄露的问题。当前人们越来越重视对隐私的保护,用户在使用网络服务时,往往会担心其隐私信息被泄露,如果对这些隐私数据处理不当,将不可避免地带来隐私泄露问题。而数据脱敏技术可以对隐私信息进行保护。现有的数据脱敏技术主要包括:数据失真、数据加密以及数据匿名化。其中,数据匿名化技术既能保护用户隐私,又能保证数据的可用性,是目前应用较为广泛的技术。在数据共享中,用户希望用更符合自己要求的脱敏方式对隐私数据进行保护。基于此,论文研究了数据共享中的个性化数据脱敏保护技术。主要工作有:(1)针对直接遮蔽脱敏方法存在的可利用价值低、基本匿名化对敏感属性的脱敏不完全问题,提出一种ε_k个性化数据脱敏保护方法。首先对数据集进行k-匿名处理,然后对等价组中敏感数据的准标识符进行ε_k标准化处理,通过相应的约束方法实现对隐私数据的脱敏保护。实验结果表明,ε_k个性化数据脱敏保护方法在满足敏感数据的个体性保护要求、降低信息敏感度的同时,又增强了用户个体对其敏感值的控制,具有更强的隐私保护能力。(2)针对个性化(p,k)匿名保护算法模型和个性化(α,k)-匿名模型保护方法中敏感属性间引起的相似攻击性问题,提出一种α_p概率差分数据脱敏保护算法。首先对每个敏感数据出现的概率进行统计,然后通过α_p概率函数对敏感属性多样性进行运算,从而在敏感属性中加入拉普拉斯噪声,改变敏感属性出现的频率,实现等价组中敏感属性的微变化,以此保证敏感值的高度相似,实现对数据的脱敏保护。实验结果表明,α_p概率差分数据脱敏保护方法,减少了由多个准标识符推测出敏感属性的风险,避免了敏感属性单一的问题,有效地提高了隐私数据的可用性。