频数统计是数据挖掘中非常经典和常用的方法之一,它通过计算数据项在数据集合中出现的次数,可以选出频繁出现的数据项。随着大数据挖掘技术的兴起,拥有海量数据的公司可以收集和分析用户数据,这些数据包含的信息是非常有价值的。社交网站上有上亿的用户主页,每天有上十亿访问量,想实时知道最常访问的主页并且获取排名,需要收集用户浏览网页数据。然而,收集用户数据和发布频数统计数据通常会导致隐私泄露问题。本文为了解决收集数据和发布数据中存在的隐私泄露问题,提出了基于差分隐私的流数据实时频数统计发布算法,主要研究成果如下:针对频数统计中收集数据可能存在的隐私泄露问题,本论文开展了对差分隐私保护机制的深入研究。本文提出两种用户角色,一种用户集合提供原始数据,本文利用差分隐私保护技术将这部分数据构造一个候选列表;另一种用户集合提供扰动后数据,本文根据候选列表和本地差分隐私保护技术,对这部分用户的数据集合进行频数统计发布,针对直接本地编码方法中数据可用性低的问题,本论文提出一种改进的本地编码方法,可以有效地提高数据可用性,提高了算法的准确度。针对基于差分隐私的频数统计方法无法进行连续发布的问题,本论文进而提出了针对流数据,同时结合差分隐私和本地差分隐私的频数统计方法。本文针对目前流数据频数统计发布方法中的隐私预算利用率低的问题,提出了一种适用于不同尺寸滑动窗口大小的隐私预算分配策略,使得隐私预算以平稳的方式分配,降低了算法误差。本论文对算法的时空复杂度和空间开销在理论的角度上做了分析,并且根据攻击者能力的不同,提供三种攻击方式,并且进行隐私性分析,最后通过实验计算隐私化数据处理的时间消耗、非隐私化数据处理的时间消耗以及隐私损失和准确性的平衡,验证了算法的可行性。