隐私保持的微数据发布模型—K匿名模型迫切需要通过数据匿名化赋予匿名数据集以有效抵抗应用环境中可能出现的各类隐私推理攻击的能力,尤其必需具备在攻击者已经掌握某些可用于推理攻击的知识的前提下保证匿名数据集的实际匿名效果的能力。因此研究实现强抗推理的K匿名模型已受到理论界和工业界的广泛重视。论文目标就是检测和防范基于K匿名数据集的各类型隐私推理攻击,主要工作包括:(1)阐述数据隐私保护技术,包括面向用户和面向数据的隐私保护需求及技术、微数据发布技术、和K匿名模型;(2)基于集合论和概率论提出隐私推理逻辑理论,并以此给出了K匿名模型的形式化描述;(3)基于应用环境中假定知识检测K匿名数据集上的隐私推理攻击(包括简单和基于知识的推理攻击两类),并重点分析其起因、特征、及对隐私泄露的影响;(4)给出能够应用于数据匿名化过程以赋予匿名数据集强抗推理性的真实数据匿名代价度量(基于知识的匿名代价度量和防推理匿名代价度量)和两类主要防推理策略:1)于匿名代价度量中考虑防范推理攻击的策略,和2)于匿名代价度量前单独考虑防范推理攻击的策略。论文主要贡献包括:(1)基于K匿名数据集检测到以往K匿名文献中并未发现和重视的隐私推理攻击行为,包括基于属性值域、值关联、匿名规则和匿名关系等的推理攻击;(2)给出了隐私推理逻辑理论及K匿名的形式化描述,并应用于基于K匿名数据集的推理攻击检测和防范;(3)提出的作为强抗推理K匿名建模核心成分的防推理策略和数据匿名代价度量。最后,实验第一部分显式展示了潜存于K匿名数据集之上的各种隐私推理攻击实例及其对个人隐私泄露的直接影响;第二部分则充分证明了论文定义的数据匿名代价度量和防推理策略的可行性和有效性。