差分隐私保护(DP)提供了一种严格的和可证明的隐私保证而且假定攻击者有任意的背景知识,这种技术确实和之前的在隐私保护领域的工作有很大区别,而且随着苹果在2016年全球开发者大会上宣布苹果已经早就使用了差分隐私保护技术来保护IOS用户的隐私,更多领域的研究者开始聚焦这项新技术。所以,数据发布旨在保证数据的安全和隐私,差分隐私保护下的数据发布已经得到迅速的发展。因为差分隐私不对攻击者的背景知识做太多限制,所以这些年得到迅速的发展。通常情况下,很多关于差分隐私保护的研究都假设数据集中的元组属性之间是不相关的,或者说是相互独立的。但是相关数据集和不相关数据集在隐私预算的开销是有差别的,也就是说,差分隐私保护在有关联的数据集上的隐私保护还有很大的研究空间。本文旨在研究通过有权重的贝叶斯网络来保护具有密切关联的统计数据库的数据信息,本文提出了一种基于边相关贝叶斯网络下的差分隐私数据发布方法。首先通过贝叶斯网络来获取高维度数据集上主要属性之间的关系,得到初选属性集,然后通过TBT算法进行二次筛选得到低维度属性集。接着,通过测量低维度数据集上的属性结点之间的距离来获得每条边的PF向量,然后对PF向量进行标准化处理,再引入边的相关性来界定这些关键边的密切程度,从而得到基于边相关的敏感度;最后在添加噪声的过程中,使用NDR算法在低维度的数据集元组上使用全新的边相关敏感度的来控制噪声发布和规模以达到用尽可能少的隐私预算来达到最大化数据可用性的目的。然后,通过实验,在三个数据集上进行统计查询测试,用MAE和准确率指标来评价算法,通过对比发现,本文提出的方法相比于之前的基准算法下的贝叶斯网络有更优异的表现。本文提出的HDR算法既能够保证数据发布的隐私性,又能保证数据发布的可用性,可以达到较好程度的平衡。本文提出的基于边相关的方法能够确保隐私开销更小和更安全。通过贝叶斯网络得到一个数据集中的关键属性集,达到降低数据维度的目的。通过边相关来重新界定关联数据集元组之间的相关度,来获得新的隐私开销和敏感度参数。基于边相关的HDR算法在实现了数据的高隐私保护,同时也确保了发布后的结果可以被安全的使用。