随着传感器网络、RFID和无线定位装置的普及,序列类数据的数据量和复杂程度都达到了空前繁荣的程度,成为自然界和人类社会中的一类非常重要的数据。金融及电子商务领域的序列类数据往往蕴藏着大量的隐私信息,这使得面向序列类数据的隐私保护技术至关重要。而序列类数据作为一种新型的非结构化数据,拥有许多传统关系型数据不具备的特征,比如静态时序数据的全局模型特征以及动态流数据的有序快速大量持续无限到达的特征,使得面向传统关系型数据的隐私保护技术不能够直接应用于序列类数据。因此,面向发布的序列类数据的隐私保护技术研究具有重要的实用意义,并在金融、企业管理、LBS领域有着广泛应用。与此同时,面向序列类数据的隐私保护技术目前还没有得到足够的重视,尚有宽广的发展空间。为此,本文主要对面向序列类数据的隐私保护模型和匿名化算法进行研究和探索。本文首先对现有的隐私保护技术进行了回顾和分析,重点介绍了k匿名模型体系及其在序列类数据上的应用,并结合序列类数据的典型应用总结了当前工作的不足,分析了存在的挑战,并引出了本文的研究内容。本文提出了面向数据发布的序列类数据隐私保护技术框架,分别针对动态流数据分发环境和静态时序数据的模式匹配查询给出了相应的隐私保护方案。并对其中的关键技术进行了详细介绍,即模式特征提取技术和版本衍生技术。本文在现有文献中首次提出了流数据分发环境中数据源面对不同订阅用户时的个性化隐私保护需求,并基于传统k匿名模型提出了带宽受限和自由树结构的匿名流分发模型原型。对模型资源限制、数据传输消耗和模型优化目标进行了细致的建模,并基于两个著名的k匿名算法提出了相应的版本衍生算法,以节省资源消耗。而后,本文提出了两种广义的版本衍生算法：基于泛化层次结构的版本衍生算法和基于泛化记录的版本衍生算法,使其适用于所有的k匿名算法和1多样性算法。本文证明了模型性能优化问题是NP难问题,并在此基础上提出了基于启发式的分发树构建策略,以实现模型整体性能优化。而后,本文针对更为实际的流数据分发应用,对上述匿名流分发模型进行了改进和扩展,提出了通信延迟受限和半固定树结构的广义匿名流分发模型,该分发模型可以兼容传统k匿名模型和1多样性模型,且模型特征更为复杂且契合实际应用。本文还针对更为复杂的模型特性提出了相应的分发计划优化策略。提出了面向模式挖掘的静态时序数据隐私保护方法。设计了广义的模式特征定义,并首次提出将模式表征方式独立于属性值保存于发布表中,提出了相应的双层隐私保护模型(k,P)匿名模型和匿名化分组算法。为了对发布数据进行可用性评估,本文还针对这种全新的数据发布形式提出了相应的隐私泄露概率和信息损失衡量方式。除了完全数据发布以外,(k,P)匿名模型还支持数据的定制发布,并提出了相应的数据重建技术以支持各类查询。