医疗诊断过程中产生会大量的数据资源,需要对其进行合理的归纳、分析、挖掘。可是,医疗数据中包含很多病人生理上与心理上的隐私数据,若是这些数据遭到泄露,将会给信息持有者带来安全隐患。所以,医疗数据发布中的隐私安全问题受到了人们的广泛关注。目前,数据发布中常用的三种隐私保护方法为属性删除、数据加密与数据扰乱、随机化。但是它们并不适合于医疗数据的发布,主要原因是数据发布不仅要保证数据处理后的可用性,还需保证用户的隐私不被泄露,上面的三类方法很难做到两者兼顾。基于上述问题,提出了K-匿名方法,该方法的本质是通过泛化或抑制来变换原始数据形成容量至少为K的簇,从而使得每条记录与其他K-1条记录不能相区分,在能够保护病人隐私的同时,有效减少信息的损失量。但是,就实现K-匿名的经典算法而言,其本身仍有许多需要改进的地方。在全域匿名算法中,Incognito算法是一种典型的精确求解算法,通过遍历泛化格中距离向量求得信息损失量最小的全局最优解,可以满足医疗信息发布后,在保证隐私安全前提下的数据可用性。但Incognito算法的时间效率较低,不适合于大规模的数匿名处理,同时随着准标识符属性的增加,该算法的求解时间也会急剧增加。针对算法的时间效率问题,本文首先结合Incognito算法与“同一律”性质,提出一种新的全域泛化算法—F-Incognito算法。其次,搭建实验环境平台,通过仿真实验验证,本文算法能够保留Incognito算法特点,同时提高求解泛化节点表的时间效率,时间缩短比例60%。因此,F-Incognito算法在处理大数据集时,具有显著优势。最后以本文提出的算法为基础,设计了基于F-Incognito算法的医疗信息匿名化发布系统。