随着网络的普及,用户可以方便快捷的访问到大量的共享数据。这些共享数据中包含个人隐私信息,为了防止隐私泄漏,数据发布者往往在数据发布之前进行匿名和k-匿名处理。k-匿名数据是特殊的不确定数据,泛化值的所有可能取值的概率相等,k-匿名数据元组的可能世界概率也相等。满足k-匿名的数据通过准标识符进行外表连接确定个体的概率至少为1/k。k-匿名是一种有效的隐私保护方法。k-匿名数据的高度不确定性导致了k-匿名数据的可用性很低,如何从这些k-匿名数据中得到有用的知识是亟待解决的问题。OLAP是知识发现的主要手段。现有的不确定数据OLAP研究是在元组可能世界概率不等的基础上提出的,而且传统的不确定数据的不确定性较k-匿名数据要低,可能世界小很多。传统不确定数据的不确定性大多是不可控制的,如无线传感器网络等获得的数据本身有一定的不确定性,并且不确定取值的所有可能取值为准确值的概率分布也不能唯一确定,因此传统不确定数据上的查询结果的准确性是不可控制的。当传统不确定数据包含大量不确定数据时,查询结果的准确性不能从根本上得到保证,也不能提供查询结果准确性的量化标准。因此传统的不确定数据OLAP方法并不适用于k-匿名这种特殊的不确定数据。为了解决该问题,对k-匿名数据OLAP进行研究,从k-匿名数据中挖掘有用的知识,让用户可以从弃之不用的“垃圾”中找到“金子”。聚集查询是OLAP的基础,高效的聚集查询是提高k-匿名数据OLAP效率的关键。为了增强k-匿名数据上聚集查询时间效率,给出相对于查询的独立属性集的概念。利用独立属性集,避免遍历元组的可能世界。根据属性区域与属性查询区域的关系,给出WITH子句约束的定义,增强了用户的查询能力。然后给出了k-匿名数据聚集查询的性质。分组聚集查询是OLAP基本操作的基础。利用k-匿名数据自定义层次维度的层次编码,分别给出了基于事实表和CUBE的分组聚集查询算法。然后给出了两种维度层次树的编码方法。利用维度层次树编码,增加了CUBE上分组聚集查询的响应速度,若维度层次树编码的数据压缩比大于1,可以降低CUBE的存储空间要求。k-匿名数据上的OLAP研究增加了k-匿名数据的可用性。为k-匿名数据的应用做出了重要贡献。