基于局部差分隐私的高维数据发布研究是当前隐私保护研究领域的热点。然而,现有的研究主要针对含有低维数据的集中式数据集研究,对于含有高维数据的分布式数据集研究甚少,并且,对于数据属性间的关联性缺少考虑,更重要的是,数据集中属性的关联问题会极大地影响隐私保护的效用问题。因此,本文提出基于局部差分隐私的高维关联数据发布研究方案。首先,针对概率统计的随机响应方法无法满足高维数据集充分扰动的问题,本文提出一种结合Bloom过滤器思想和随机响应方法的局部差分隐私方法。具体地,该方法通过多个哈希函数上的Bloom过滤器将属性域中所有属性值哈希到预定义的空间中。然后,制定随机响应规则,以增加扰动过程的随机性。其次,针对EM算法仅适用于低维数据分布的问题,本文提出一种改进方法。该方法结合了 Bloom过滤器的独立性和贝叶斯定理,即,通过Bloom过滤器的独立性,组合每个单独属性的边缘分布来计算联合分布概率。接着,通过贝叶斯定理计算属性集的后验概率。再次,针对高维数据集属性间关联性被忽视导致隐私保护效用较低的问题,本文提出一种基于互信息的关联性度量方法。该方法通过计算所有属性间的互信息来构造一个依赖关系图,接着,结合三角剖分的思想,将依赖关系图转换为含有紧凑属性簇构成的结点树。此外,针对互信息计算复杂度过高的问题,本文提出一种基于熵的修剪方案。该方案通过去除属性域中熵较小的属性对,缩小了整个属性域的大小,并减少了属性间成对计算的数量。最终,结合以上的步骤可以重构扰动数据集,以实现基于局部差分隐私的高维数据发布保护。最后,本文采用开源的三个数据集Retail,Adult和TPC-E进行实验,并通过多种度量标准来评估本文方法的效用,包括扰动前后的平均运行时间、平均变体距离、平均余弦相似度、关联性损失率、复杂度降低率、SVM分类和随机森林分类通过实验的对比和分析,表明本文的算法可以较好的保留属性间的关联性和重构数据集的效用性。图[12]表[10]参[53]