大数据时代数据的发布与共享推动了科学研究的发展,也为人们的生活带来了便利,然而直接发布或共享未经处理的数据很容易造成个人隐私的泄露。近年来满足隐私保护的数据发布得到了产业界和学术界的普遍关注。数据脱敏是对数据集进行处理以减低敏感信息泄露的概率的技术。数据匿名化技术是应用最广泛的数据脱敏技术之一,通过对数据进行随机映射、统一泛化等操作,使发布的数据无法关联到任何具体个体。T-Closeness是一种有效的数据匿名化模型,相比于K-Anonymity、L-Diversity等模型,它能够抵御语义攻击和概率攻击,提供更强的隐私保护。在大数据场景下,集中式T-Closeness算法脱敏效率低,受单机内存限制,难以满足海量数据的脱敏需求。因此,具有高脱敏效率的分布式T-Closeness算法的研究显得尤为重要。本文着重研究了大数据场景下分布式T-Closeness算法的设计,基于现有的三类典型T-Closeness算法,对应地提出了三种高效的分布式T-Closeness算法。由于实现方式的不同,三种分布式T-Closeness算法具有不同的特性,数据拥有者可以根据应用场景选择合适的算法进行数据脱敏。本文基于Spark分布式计算框架实现了所提出的三种分布式T-Closeness算法,并对算法的效率和可扩展性等指标进行了测试。实验结果表明,与直接的方案相比,本文所设计并实现的三种分布式T-Closeness算法均具有更高的效率和更好的可扩展性。基于所提出的三种分布式T-Closeness算法,本文设计并实现了一套大数据脱敏系统。本文首先对大数据脱敏系统进行了需求分析,提出了系统的功能性需求和非功能性需求。然后介绍了系统的设计,包括模块划分、交互关系、接口设计和数据表设计等。系统包括Web前端模块、权限管理模块、泛化树自动配置模块、脱敏算法模块和基础设施模块五个模块,以支持分布式脱敏、数据表权限管理、脱敏后数据下载、泛化树自动配置等功能。接下来本文介绍了系统的实现,包括技术选型、工作流程和分模块详细实现。最后本文通过系统功能测试和非功能测试验证了所实现的大数据脱敏系统与设计预期一致。