可穿戴设备是指整合到用户衣服,或附于皮肤表面,或直接植入体内的智能化设备,引导着当今数字化浪潮的发展方向,是未来最有发展前景的技术之一。可穿戴设备与人紧密结合,并以人为载体,主要面向个人服务,提供额外的附加功能,甚至提升人的本能。特别是未来的可穿戴技术,有部分设备非“戴”,而是“种”在人身上,实现治疗疾病、监测状态、改善人体机能,甚至提供人们之前不具备的某种能力等。蓬勃发展的面向健康服务可穿戴设备,给人类带来前所未有生活便利的同时,也会侵犯个人隐私,甚至威胁人身安全。在无线体域网开放式结构下,必须为设备节点和数据中心之间提供一种安全认证机制。现有基于设备物理特征的认证忽略了用户生物特征的唯一性,使这些协议易受妥协攻击,而基于用户生物特征的认证易受假冒攻击。本文设计一种生物特征和设备物理特征结合的双因子安全认证机制,使用生物属性IPI(Interpulse Interval)和设备物理属性PUF(Physical Unclonable Function)的双重唯一性进行安全认证,将设备和人绑定为一个整体单元,并改善D触发器非平衡性带来的输出偏向,更好地确保认证安全。可穿戴设备涉及空间数据和流数据,发布用户位置统计数据时,需保护用户位置隐私。现有基于差分隐私空间分解的数据发布算法常采用均匀隐私预算分配策略,每一个划分单元格分配相同隐私预算,未根据数据查询实际情况进行合理预算分配。本文针对可穿戴设备中空间位置数据,提出一种基于斐波拉契预算分配的差分隐私数据发布方案。此方案优化了隐私预算分配,提高了数据可用性,并通过限制推理和阈值判断的方法进一步增强扰动数据的可用性,使得数据查询精度更高。可穿戴设备流数据发布为数据挖掘分析中的决策制定与疾病预测提供了坚实的基础,然而,流数据直接发布带来了隐私泄露的风险。为解决此问题,差分隐私被应用于流数据发布。扰动数据直接影响挖掘分析的结果,为提高数据可用性,现有差分隐私流数据发布方法常采用卡尔曼滤波进行数据优化,然而,卡尔曼滤波不适应于非线性系统。为此,本文提出一种基于无迹卡尔曼滤波后置优化处理的差分隐私流数据发布方案。此方案利用抽样的方式近似非线性分布,保护数据隐私的同时增强了数据可用性。最后,通过四个真实数据集对其可用性和有效性进行了验证。对于用户来说,健康信息都是相对敏感的,任何不恰当的信息暴露都可能泄露用户隐私。这类设备开放机动的应用环境、受限的资源,给急需解决的数据安全和隐私保护带来了巨大挑战。针对数据安全,本文提出一种基于PUF和IPI的可穿戴设备双因子认证协议;针对空间数据和流数据隐私保护,本文分别提出一种差分隐私发布方案。系统地研究和解决可穿戴设备的数据安全和隐私保护问题,为可穿戴设备的安全保护机制提供了重要的理论支撑,对推动可穿戴设备的普及具有重要应用价值。