人类社会进入信息化时代,海量数据在互联网上形成、流转,在不同的机构间实现数据的共享与交流,数据的可信性和可溯源性受到社会各界的关注。数据起源记录数据的产生和流转过程,可以用来检验数据的真实性,追溯数据产生的历史形态、还原数据真实的处理过程。然而数据起源中不可避免地包含少量敏感信息,因此在公开数据之前需要对敏感信息进行遮蔽,起源过滤技术应用而生。现有的起源过滤机制大多通过改变起源图的结构来隐藏敏感信息,尚未关注已公开起源图对当前起源图的安全威胁,缺少一种在不改变起源图结构的情况下隐藏敏感信息的过滤机制,并且无法满足不同场景下数据所有者不同的过滤程度需求。针对以上不足,本文分析数据面对的安全威胁,提出一种基于节点属性的数据起源聚类方法,并在此基础上提出一种基于泛化的数据起源隐私保护方法,本文的研究主要围绕以下三个方面展开:第一,构建了数据起源安全威胁模型。首先结合实例探讨数据起源面对的安全威胁类型,将威胁类型总结为三种类型;其次,分析攻击者可能采用的多种推理方式;最后,根据起源图面对的安全威胁类型和推理方式,提出对数据起源过滤视图敏感信息安全值计算方法,实现了对过滤视图安全性的定量评估。第二,提出了一种基于节点属性的动态权值层次聚类方法。首先,阐述起源图中敏感节点的特点和属性特点,针对其特点,形式的定义了不同的计算方式计算不同属性之间的相似度;其次,定义起源图节点的属性权重矩阵,根据上一次的聚类结果,动态调整不同属性的权重,并且提出了一种基于图节点属性相似度的初始聚类中心的选定方法,提高层次聚类算法的准确度。最后,设计并实现了该层次聚类算法,与经典聚类算法设计对比实验,实验结果表明本文所提方法在聚类准确度和聚类效果上优于其他算法。第三,提出了一种基于泛化的数据起源隐私保护方法,通过调节起源图中泛化节点的数量,以满足数据起源所有者不同程度的隐私保护需求。首先,阐述了泛化方法的基本思想;其次,制定了基于节点层次聚类树的泛化策略,将泛化策略分为单敏感节点和多敏感节点的泛化,对敏感节点及其关联节点进行泛化,调整泛化节点的数量,满足起源图所有者不同的需求。最后,设计并实现了基于节点的层次聚类树进行泛化的隐私保护算法,在公开数据集上与经典的过滤算法进行对比实验,实验结果证明了文中所提隐私保护算法在保护敏感信息的同时,能够保持过滤视图的效用。