智能制造是制造业发展的趋势^[1],正在引领全球制造业的变革。近年来,工业领域的敏感数据泄露事件越来越多^[2],工业敏感数据的安全问题在世界范围内得到了广泛的研究。目前工业企业缺乏安全专业的数据保障体系,因此产业界急需一套完整、有效的数据保护方案。提出了一个工业敏感数据保护框架,分别从工业实时敏感数据和工业非实时敏感数据进行研究,并定义了威胁模型,主要研究工作如下:（1）对工业实时敏感数据,首先通过改进的本地化差分隐私算法M-RAPPOR将敏感数据扰动,其次用Reed-Solomon（RS）算法对脱敏后的数据进行编码,最后将编码后的数据存储在本地设备中,实现数据保护低成本、高效率。本地采用最优方案分布式存储,在极大提高安全性和可恢复性的基础上缓解本地设备的存储压力;根据定义的实时敏感数据威胁模型,进行了相应的安全性分析,证明了提出的方案可以为实时敏感数据提供更强的数据保护。（2）对工业非实时敏感数据,提出基于AES-RS编码的云雾协同存储方案,将一些数据存储在雾节点,其余大部分数据存储在云节点,隐形地形成对数据的多层防护;根据定义的非实时敏感数据威胁模型,进行了相应的安全性分析,证明了提出的方案可以为非实时敏感数据提供更强的数据保护。相比传统方法,提出的方案在加强了敏感信息保护同时,也保障了数据开放共享的实时性和连续性。使用满足正态分布的位置数据验证了改进的M-RAPPOR算法具有更少的计算开销,使用位置数据、涡扇发动机老化数据集和Bosch公司的工业数据集对框架进行评估。结果表明,提出的方案有更好的性能。