随着大数据和人工智能技术的发展,数据的重要性变得越来越凸显,并被经济学人杂志称为数字时代的石油。然而大数据在其产生巨大的价值的同时,也带来了数据隐私泄露的风险。为了实现在数据发布过程中,既保护数据的隐私,又保持数据的可用性,引入随机化的扰动是一种很常见的方法。基于随机加噪的数据发布一方面能够提供严格的隐私量化标准,另一方面通过合理的设计噪声能够保持数据的可用性,也因此成为数据发布领域的研究热点。然而不同的隐私标准下,噪声的添加机制有不同的表现,对于同一种隐私标准,不同的噪声添加机制也会直接影响隐私保护程度与可用性。分析噪声添加下的数据隐私性并实现更好的可用性已经成为学术界的重要研究内容。本文结合国内外研究现状,针对随机加噪的数据发布下的隐私性分析和可用性优化问题进行了探索,主要工作有如下几个方面:1.研究了加噪机制下的隐私量化标准间的关系。尽管不同隐私模型下的数据应用场景和攻击者模型不尽相同,基于加噪机制下的隐私保护模型均通过噪声实现。研究不同隐私模型间的关系,不仅能够更好的理解隐私定义更能为不同场景下的隐私模型选择提供指导意义。本文旨在研究数据隐私与差分隐私间的关系,通过求解数据隐私和差分隐私的最优实现,并从噪声添加的角度研究两种隐私的参数关系,从理论上证明了差分隐私可以保证数据隐私的参数上界。2.研究了可用性优化下的最优噪声设计问题。基于加噪机制对原始数据的干扰,分别考虑数据的发布者和数据的使用者相同和不同时的两种典型场景,基于一种通用的可用性函数刻画了数据的可用性,求解了两种场景下的最优噪声都具有均匀分布,并给出了闭式解。基于大量仿真结果,验证了理论的正确性。3.研究了可用性优化下的最优激励设计问题。考虑不同用户具有不同的隐私敏感度,在一定的经济预算激励下,引入经济学中的契约理论设计了PPUOC机制来求解最优激励设计问题。针对用户隐私偏好完全已知和不完全已知两种典型情况分别给出了闭式解,真实数据集下的大量仿真验证了契约设计的有效性和可行性。