随着网络化的高速发展，对数据的需求越来越大，于是大数据时代来临了。而大数据的出现也带来了数据的安全问题。因此，基于隐私保护的数据挖掘技术得到了广泛的研究，本文针对基于隐私保护关联规则的MASK算法进行剖析，并做了以下的一些工作：　　首先，对本文研究所涉及的数据挖掘、隐私保护、关联规则、密码学等理论进行了简述。　　其次，介绍了MASK算法和密码学的相关理论知识，并通过分析MASK算法扰乱数据集和求频繁项集获取关联规则两个步骤，提出了两种对MASK算法第一步骤的改进方法：第一种改进原理是在第一步扰乱数据集的过程中通过使用特殊值的形式进行扰乱，进而在第二步获取频繁项集时采用将扰乱数据集恢复为原数据集的方法，进而挖掘出属性之间的关联规则；第二种改进原理是在第一步扰乱数据集的过程中通过使用密码学中的矩阵加密算法对原数据集进行扰乱，在第二步获取频繁项集时通过解密算法使扰乱数据集恢复为原数据集，进而挖掘出属性之间的关联规则。实验表明改进算法有效提高了挖掘过程的运行时间，但是在数据的隐私保护度上出现了一定的劣势。　　进一步，通过分析MASK算法扰乱数据集和求频繁项集获取关联规则两个步骤，提出了两种对MASK算法第二步骤的改进方法：第一种改进原理是在第二步获取频繁项集中对其中涉及的一个矩阵求逆进行矩阵分块处理，得到频繁项集的真实支持度，进而挖掘属性之间的关联规则；第二种改进原理是在第二步获取频繁项集中对其中涉及的一个矩阵求逆进行直接数学求逆公式的套用，最终得到频繁项集的支持度，进而挖掘属性之间的关联规则。实验表明改进算法最大程度的降低了算法的运行时间，同时保证了MASK算法的隐私保护问题。　　最后，对本文改进算法做出了总结，期待拥有更大的展望空间。