全基因组关联研究GWAS作为基因组学重要研究方法,通过患病群体与正常群体的全基因组序列比对,利用统计分析发现对疾病发生有显著影响的遗传变异位点,即单核苷酸多态性SNP位点,再结合性别、年龄、种族等协变量,利用回归分析研究协变量与显著SNP位点对疾病的共同作用,从而揭示疾病发生的成因。然而在GWAS数据发布中存在两方面的隐私风险,首先,SNP显著性研究的基因型样本数据集以及其检验统计结果,会被匿名公布在研究网站上,也有患者自愿提供其基因型数据至公开的研究网站,这些基因型数据是识别个人身份、推测亲属基因、识别个体患病隐私的主要来源,但匿名和访问控制并不足以保护这些基因型数据,仍存在统计攻击、多数据库连接攻击、背景知识攻击的风险;其次,利用回归分析研究多个SNP以及协变量数据对疾病的共同作用时,往往通过代价函数计算得到回归系数,从而得到回归模型,即多个SNP以及协变量数据对患病概率的影响模型。但直接发布回归模型存在模型反演攻击,训练数据集会被重建造成泄露;若提供模型服务接口供研究者使用,则存在模型提取攻击的风险。GWAS的基因型数据发布以及回归模型的发布,都是为使研究者得到更多研究素材,衍生出更多统计学算法,从而催生更多新的发现。但其中存在的隐私风险无疑阻碍了数据的贡献、共享和发布。目前差分隐私被认为是最适合数据发布场景的隐私保护方法,差分隐私机制可以通过隐私预算来衡量扰动数据后的隐私风险。关于上述两方面隐私风险,目前的基因隐私保护工作只考虑了利用差分隐私对GWAS统计数据发布的保护,以及采用密码学、安全多方计算对基因型数据进行安全保护,但未考虑被公布在内部研究网站或者志愿者网站上的基因型数据的隐私问题,忽视了被发布的基因型数据的隐私问题,也尚未对回归分析模型泄露导致的隐私风险进行防范。针对这两点不足,本文具体研究工作如下:（1）总结了 GWAS隐私保护基础知识及GWAS隐私保护现状。首先总结了 GWAS的基础知识,包括遗传变异位点SNP、不同的遗传模型、统计检验方法、回归分析方法等等;其次,论文中用图示法展示了 GWAS的两个主要研究内容及其对应的研究方法、研究发布的结果;最后,针对不同的发布场景总结现有的隐私风险和保护现状。（2）针对GWAS基因型数据发布的隐私问题,本文将在第三章提出一种满足纳什均衡的差分隐私保护方法,实现了扰动后基因型数据隐私性与数据效用的均衡。我们将患者和研究者视为非合作博弈的两个参与者,基因型扰动个数为策略。患者关心隐私度量,研究者关心的是扰动后的效用-p值。首先根据期望效用,计算出目标基因型个数的合理干扰区间。其次,基于此区间,根据效用隐私收益矩阵,得到效用与隐私之间的纳什均衡点。最后,基于均衡点对原始基因型矩阵进行差分隐私扰动,得到相应的随机基因型矩阵。理论和实验结果均表明,该方法寻找到的基因型扰动个数能同时满足我们定义的最好的预期效用及隐私性。（3）针对GWAS回归模型发布的隐私问题,本文在第四章提出一种扰动代价函数从而计算新的回归系数的差分隐私保护方法。GWAS中大多数表型都是分类表型,需使用逻辑回归分析,因此本文主要关注逻辑回归模型的保护。由于代价函数本质代表回归模型预测值属于实际值的概率,而回归系数来自对代价函数的最大似然估计,因此不同于以往直接对逻辑回归系数加噪的保护方法,我们通过泰勒展开将代价函数由对数似然函数形式转换为低阶多项式,将原始多项式和扰动后多项式函数作差,称为“差函数”。我们仅对代价函数的差函数系数进行加噪,进而求解新的回归系数,保证扰动后的代价函数最逼近原始的代价函数,从而使新的回归系数的回归效果更接近原始的回归模型。经验证,该方法降低了数据集对噪声的敏感度,并且加噪的随机性也保证了一定的隐私性,使扰动后的回归模型具备较强隐私性的同时能保证较接近原始的预测准确率,可用于回归模型发布的隐私保护。