随着全球定位系统和无线通信网络的迅速发展,基于位置信息的服务逐渐深入到人们的生活中。通过对这些数据进行统计分析,可以给人们的生活带来巨大便利。例如实时导航、路况分析、个性化推荐等。但与此同时,也可能会造成用户隐私泄漏。因此,在发布位置信息的同时,需要对这些数据提供隐私保护。差分隐私作为一种强健的隐私保护模型,将其应用于位置信息的隐私保护中,通过对空间数据进行分割,以一种满足差分隐私保护的方式向分割后的每个子区域添加噪声,来确保个体信息在响应范围查询时不会被泄露。但由于数据分布特征和噪声的添加,使得查询结果存在一定误差,影响数据的可用性。为了提高数据发布结果的可用性,本文提出了两种基于差分隐私的位置数据发布方案:(1)基于k-d树的差分隐私位置数据发布方法。本方案对自适应网格划分方法AG算法得到的划分结果进行后置处理,根据待划分区域的数据分布均匀程度启发式的选择划分方案,利用k-d树索引结构自上而下的重新划分数据区域。本文使用一个类似于熵的度量函数Ic来描述待划分区域的数据分布均匀程度,并根据区域内数据分布情况自适应的设定一个阈值,启发式地生成均匀或接近均匀的子区域,避免了 AG算法局部区域划分过细导致的噪声叠加问题,减少了查询误差。(2)自上而下的划分方式,对数据分布特征的利用不够充分,当数据在小范围内分布比较集中时,划分后区域内部的数据分布均匀程度较低,还有进一步优化的空间。因此提出一种自下而上的数据归并方案——基于差分隐私K-means的位置数据发布方法。该方案的基本思想是首先对数据集进行细粒度的划分,得到一系列单元格,然后基于数据点个数将单元格划分为不同的聚簇,最后根据连通性原则将属于同一簇的相邻单元格进行合并,得到许多不规则区块,将归并后的区块作为数据发布的基本单位,用来响应计数查询。(3)最后,本文针对以上方案基于真实的位置数据集进行了仿真实验,实验结果表明两种方案较AG算法在一定程度上提高了查询准确度,而基于差分隐私K-means的位置数据发布方法更适用于数据分布不均匀、查询范围较小的情况。本文共使用图26幅,表16个,参考文献52篇。