随着5G、工业互联网等的发展,边缘计算在实际应用中发挥着越来越重要的作用。边缘节点设备采集了大量的用户敏感信息,用户在享受个性化服务的同时也承担着隐私泄露的风险。数据发布者直接发布完整的数据表有利于数据使用者分析和挖掘数据,但是极易导致隐私泄露问题。因此,在数据发布阶段保证数据的可用性和隐私性是当前边缘计算数据隐私保护中一个热门的研究方向。论文介绍了边缘计算的发展及其在数据隐私保护方面的研究现状,并着重介绍了数据发布中的数据隐私问题。结合边缘计算本身数据量大的特点,在变长的最大距离平均向量(Variable-Maximum Distance Average Vector,VMDAV)算法的基础上,本文提出了结合聚类算法并基于敏感程度划分的KSV-MDAV静态数据发布算法,并以此为基础,提出了边缘计算中连续发布情况下的隐私保护模型。论文的主要工作如下:(1)针对边缘计算场景下数据量大的问题,提出将聚类算法引入微聚集处理过程,将待发布数据集划分为小数据集进行处理,在选择初始聚类中心时,为了能够尽可能提高聚类的效果,通过基于权重的距离度量方式,计算不同记录之间的距离,尽可能均匀的划分每一个类。(2)针对敏感属性值不同的敏感程度,提出了基于权重的敏感度划分方法。本文考虑到不同的敏感值的重要性,和敏感属性值的数据分布对隐私泄露的影响。通过计算敏感属性值的数据分布和敏感程度权重,能够避免敏感程度较高的属性值在单个等价类中聚集的现象,使得算法对敏感属性的保护更加的灵活和有效。(3)在静态发布数据的基础上,本文提出面向连续数据发布的动态数据集更新CDP-VMDAV模型。该模型在上一次发布的匿名数据集的基础上,通过增量聚类的方式对数据集进行动态重发布的操作,降低计算冗余,通过能够防止攻击者通过推理攻击获取用户的敏感信息。论文在第三章和第四章的末尾都给出了仿真实验分析结果,从时间效率,信息损失和隐私泄露风险等方面和传统算法进行比较,本文提出的算法在减少了运行时间并且降低了隐私泄露风险,较好了平衡了数据可用性和隐私性。最后,对论文的工作和成果进行总结,并对论文中存在的问题进行了下一步研究方向的展望。本文共使用图8幅,表19个,参考文献55篇。