在大数据时代,公司和机构已经注意到多维数据的巨大价值,并且极力地收集高维众包数据以做出数据驱动的决策。然而,这些多维数据往往包含着数据拥有者的敏感信息,如果数据拥有者直接分享自己的多维数据,则会引起隐私泄露的问题。近年来,本地差分隐私被发现在收集和使用数据拥有者的数据并保护其隐私方面有实用价值。在本地差分隐私方案中,数据拥有者在数据外包前会先对其进行扰动,然后将扰动后的数据发送给服务器。如此,服务器便无法准确推断出数据拥有者的实际数据,却仍可以准确地估计出数据的整体分布。但是,这些方案往往忽略了数据拥有者的个人隐私保护需求。考虑到本地差分隐私的良好特性以及数据拥有者的个性化隐私保护需求,本文研究了面向多维数据的个性化本地差分隐私方案:（1）支持个性化隐私分配的多维数据本地差分隐私方案。在大多数现有的本地差分隐私方案中,数据拥有者都是用服务器设置的隐私预算来扰动自己的隐私数据的。而事实上,不同的数据对每个数据拥有者都有不同的重要程度,即数据拥有者对数据有不同的隐私保护需求。如果服务器提供的隐私保护级别低于数据拥有者的需求,则数据拥有者可能不愿意共享数据。因此,本文考虑了数据拥有者的个性化隐私保护需求,提出了支持个性化隐私分配的多维数据本地差分隐私方案。该方案面向多维数据,首先设计了个性化多重优化一元编码算法来对数据拥有者的多维数据进行扰动,然后设计了基于LASSO回归和信息熵的6)维数据联合分布估计算法,对扰动后的多维数据联合分布进行估计,以达到和对未扰动的数据直接进行统计分析相近的结果。（2）基于个性化多维数据本地差分隐私的社交网络图生成方案。在现有的基于本地差分隐私的社交网络图生成方案中,大多只是将数据拥有者的度邻居列表视为其私有数据,然后利用这些扰动后的度邻居列表来合成社交网络图。然而,这种合成的社交网络图由于只是由一系列节点和边组成的网络图,在现实生活中的实用性较低。即便有的方案同时将数据拥有者的属性数据纳入考虑,但由服务器为所有度数据和属性数据预设固定隐私预算的做法,导致了数据拥有者个性化的隐私保护需求被忽略。为了解决该问题,本文提出了一种基于个性化多维数据本地差分隐私的社交网络图生成方案。该方案首先设计了个性化随机扰动机制来对数据拥有者的度数据和属性数据进行扰动。其次设计了基于期望最大化的属性联合分布估计算法来估计数据的分布情况。最后设计了种子图创建机制和优化图生成机制,根据估得的数据分布来生成社交网络图。通过这种方案生成的社交网络图,能够在为数据拥有者提供个性化本地差分隐私保护的同时,生成高效用的社交网络图以服务社会。