局部差分隐私是隐私保护数据发布领域中最强大的隐私保证模型之一。然而,该模型目前主要用于单属性数据采集,关于多属性关联的数据发布研究很少。此外,当数据属性值在数据发布中独立扰动时,可能会导致过多的信息损失。因此,基于局部差分隐私的关联数据发布保护研究已成为一个需要解决的迫切问题。首先,针对隐私保护数据发布中属性间关联性被忽略的问题,本文提出构造κ-度私有贝叶斯网络的算法。该算法将互信息与贪婪算法相结合以构造具有最大互信息属性对的κ-度私有贝叶斯网络,并利用贝叶斯网络来提供属性间关联性的直观模型。具体地,通过互信息来量化属性间的关联强弱,并在尼值的限制下贪婪的选择最大的互信息属性对以构造低度贝叶斯网络模型。其次,针对数据发布中属性独立扰动时信息损失过多的问题,本文提出一种用于关联数据扰动的局部差分私有方法。该方法结合属性分组思想和随机响应技术,以实现对原始数据集的扰动。具体地,本文采取基于属性对最大平均互信息值的分组思想,该思想通过计算κ-度私有贝叶斯网络父子节点间的平均互信息作为当前属性组的互信息值。接着,设定阈值,将整个贝叶斯网络的属性分为两个类别,即,弱关联属性集和健壮的关联属性集。然后,本文采取二次扰动的随机响应技术来构造扰动矩阵,针对弱或健壮的关联属性集添加符合不同隐私预算的扰动噪音,以确保局部差异隐私。进而,使用噪声边缘和贝叶斯网络来构造给定数据集的近似分布,以实现基于局部差分隐私的关联数据发布。最后,本文采取UCI开源数据集Adult进行试验,并通过多种度量标准来评估本文方法的效用,包括扰动前后数据集的平均KL-散度、余弦相似度、平均运行时间,并对比了扰动前后属性间的互信息以评估其关联性的变化。通过实验对比分析,表明本文的方法较好的保证了属性之间的关联性,并且可以带来较少的效用损失。图[9]表[6]参[52]