随着时代的发展和科技的进步,信息技术产业日新月异,数据发布和数据挖掘作为日常信息管理与数据库应用的重要手段可以辅助人类做出科学决策。当互联网、数据挖掘和数据共享技术迅猛发展以后,人们搜集、分析、处理与应用数据的能力越来越强,不过这也给数据的隐私带来了威胁,必然会加剧个人隐私泄露的风险。因此,如何防止数据发布过程中的敏感隐私数据泄露已经成为当前信息安全领域的研究热点。1998年,k-数据匿名化保护模型被Samarati等人首次提出,随后1多样性匿名、p-敏感k-匿名、(α,k)匿名以及个性化匿名模型也被相继提出。然而这些已有的模型中往往没有充分考虑敏感属性分布情况,不能很好地抵御相似性攻击。为此在个性化匿名模型的基础上作进一步研究,为不同等级的敏感属性给予不同的保护程度,并且避免同一等价类内出现较多敏感等级较高的属性,实现对敏感隐私数据的保护。在前人提出的P-敏感k-匿名模型的基础上,从个性化匿名隐私保护的角度入手,考虑敏感属性分布的多样性,提出一种基于敏感属性分级的个性化(p,αi,d)k-匿名模型。分别设定αi和d这两个参数值的大小,αi为对不同敏感等级的敏感属性设置的约束值,敏感程度越高的属性,要设置越小的约束值;d表示等价类内敏感属性的加权分级距离,要求d越大越好,d越大则表示等价类中敏感属性值差异越大,敏感属性多样性越好,数据越安全,同时采用贪心聚类算法,减少信息损失,提升数据使用质量。最后将该模型通过实验仿真加以验证,实验结果表明,在与全域泛化P-敏感k-匿名算法的对比下,本文算法能以较小的信息损失和合理的运行时间,实现可有效抵御相似性攻击的个性化匿名隐私保护。