大数据时代,各个群体间交换和发布数据变得越来越重要。为了保证数据发布中的隐私安全,隐私策略对数据进行抽象描述,用一个大区间去替换数据属性的某个具体值。例如:将医疗数据表中年龄21替换成[20,30]这一区间。Skyline是一种有效的平衡隐私保护和数据可用性的方法。该方法要求筛选出一系列“感兴趣”的策略,这些“感兴趣”的策略指的是那些不被其他策略“支配”的策略。被筛选掉的策略在隐私保护和数据可用性两方面都不比留下的策略好。但是随着数据取值范围的扩大,隐私策略数量会呈指数级增长。因此,大规模数据隐私策略的Skyline计算仍然是一个重大的挑战。基于全策略空间的Skyline算法(SKY-FILTER-MR),为大规模数据隐私策略的Skyline计算提供一个有效、可扩展且高精度的解决方案。首先,将MapReduce编程模型应用到传统的隐私策略Skyline计算可以显著提高算法的效率,这样就可以有效地处理大规模数据隐私策略Skyline计算。其次,近似的Skyline是在Skyline的基础上设置一个控制计算精度的参数。它要求筛选掉的策略在隐私保护和数据可用性两个方面都不比Skyline策略集中的策略在一定的参数区间好,这样筛选掉的策略更多,将近似的Skyline应用到策略过滤可以大大降低备选策略集的规模,从而缩短了备选策略集Skyline计算的时间。同时可以通过参数设置来调节隐私保护和数据可用性的平衡。通过大量的实验和分析,SKY-FILTER-MR在最好的情况下,备选策略集规模下降了732倍,同时执行效率提高了4倍。SKY-FILTER-MR算法具有良好的扩展性,可以有效地进行大规模数据隐私策略Skyline计算。近似的Skyline参数对算法效率影响明显,参数越大,执行效率越高。在保证计算精度的前提下,SKY-FILTER-MR降低了备选策略集的规模,提高了算法的执行效率。