随着信息技术的发展,数据的采集和发布越发普遍,数据的价值也在不断凸显。与此同时,数据的隐私安全问题日益受到人们的关注。为此,研究人员提出许多有效的隐私保护模型,其中差分隐私保护模型以其严格保护隐私的特性引起了很多国内外学者的广泛关注。近年来人们对差分隐私做了许多研究工作。现有的差分隐私数据发布方法研究主要集中在一维直方图数据上,对多维数据的研究较少。当前实际运用中产生了大量多维数据,如何在保证这些多维数据的隐私安全的前提下最大化数据可用性,已成为研究者们关注的热点问题。论文主要针对差分隐私多维数据的划分发布进行研究,力图设计出具有数据隐私安全保障可靠性和发布数据可用性的高效数据发布算法。论文的主要工作包括:(1)为了提高差分隐私下二维空间数据区间计数查询的精度,提出一种基于四分树的差分隐私二维空间数据划分发布算法。算法构建与二维空间数据相对应的差分隐私四分树,并采用启发式判断调整策略、查询一致性约束调整、几何分配隐私预算等方法对差分隐私四分树进行优化。实验对该算法所发布数据的区间计数查询精度及算法效率与同类算法进行比较分析,结果表明该算法是有效可行的。(2)针对四分树只能处理二维数据的不足,提出一种基于多维区间树的差分隐私多维数据划分发布算法。算法构建与多维数据相对应的差分隐私多维区间树,在构建的过程中采用启发式判断策略对区间树结构进行调整,一方面能平衡查询噪声误差和均匀假设误差,减少查询总误差,另一方面能大大减少算法空间消耗。实验在二维数据和三维数据下对该算法与同类算法进行比较分析,结果表明该算法是有效可行的。(3)针对多维区间树空间消耗大,节点所分配到的隐私预算较少,区间计数查询精度较差的情况,提出一种基于多层网格划分的差分隐私多维数据划分发布算法。算法对多维数据进行多层次的网格划分,对于每个网格节点根据其数据分布选择是否进行进一步细分。同时,算法采用kd树对同一层内的分布相似的网格节点进行合并。实验在多维数据下对该算法与同类算法进行比较分析,结果表明该算法是有效可行的。