数据挖掘研究如何从大量数据中发现潜在模式及趋势,在科学研究、医学研究及商业等领域,正得到越来越广泛的应用,具有很大的发展潜力。由于数据挖掘是发现数据中不容易发现的模式和规律,如果利用不当,可能对隐私和信息安全构成威胁。因此,如何在保证隐私的情况下挖掘出有用的信息是近年来数据挖掘领域研究的热点之一。本文首先结合数据分布方式、隐私保护目标和隐私保护技术和隐私保护的对象等多个角度,对当前流行的隐私保护关联规则挖掘方法进行了深入浅出的分析和介绍。其次,论文主要针对隐私保护关联规则挖掘提出相关的两个算法:(1)从隐私保护对象为原始数据集的角度出发,总结Rizvid提出的的MASK算法优缺点的基础上,提出了一个基于多参数随机扰动的布尔规则挖掘算法DMASK。该算法同MASK算法相比,能够按照用户对隐私关注不同设置不同的扰动参数,从而降低了隐私泄露的可能性。通过合理的参数设置同时满足挖掘结果的准确度和隐私保护度。另外,我们利用集合原理对算法实行优化,并且严格控制数据集密度的变化,消除了由于扰动引起的额外计算,从而大大提高程序运行效率。我们分别在人工数据集(IBM Synthetic Dataset)和实际数据集(BMS-WebView-1)运行该算法,实验结果表明DMASK算法在运行时间上比Aprior减慢少于5倍,同时能够保证隐私保护度在70%以上,挖掘结果的准确度在90%以上。(2)从隐私保护对象为敏感模式的角度出发,针对Oliverira提出的SWA算法中容易因推导而产生隐私泄露的不足,提出了一个新颖算法RWA。首先根据敏感模式和非敏感模式之间的关系建立扰动矩阵,设置矩阵中合适的值,并将原事务数据集与扰动矩阵相乘,生成一个能够阻止向前推导攻击扰动数据集。另外,我们使用不同的扰动参数来避免敏感规则被恢复以及降低非敏感规则被隐藏的机率,更能避免入侵者向前推导所引起的隐私泄露。最后我们利用实验方法,通过与SWA算法在敏感模式的隐藏、非敏感规则的丢失以及运行时间等多个性能指标上进行比较,结果表明我们所提出的算法相对于SWA具有良好的性能同时具有更安全的保护.