随着信息技术的不断发展,大量数据被如医疗系统、社交平台等机构所收集与处理,对这些数据的进一步分析与发布,能够给人们带来许多便利,同时对科学研究起着重要的作用。然而,数据的发布将造成数据中所包含的个人隐私信息的泄露。因此,对如何在提高发布数据实用性的同时,有效保护其中所包含的敏感隐私信息的研究,具有重要的意义。近年来,针对数据发布中的隐私保护问题,在研究人员的努力下,取得了一系列研究成果。其中,Dwork于2006年提出了差分隐私保护模型。该模型定义了严格的攻击假设和保护框架,能够提供有效的隐私安全保障。此外,该模型还给出了严格的隐私保护定义和量化评估标准。正是由于强健的安全保障和严格的评估标准,差分隐私保护模型被运用于各个领域,其中,针对流数据的差分隐私保护,成为了一个热门的研究方向。差分隐私流数据发布主要包含了事件级别的隐私保护和用户级别的隐私保护等方面,研究人员从不同方面,提出了许多发布模型和研究成果,有效提高了隐私保护强度和发布数据实用性。但在现有发布方法中,仍存在随时间增长导致噪声累加、隐私耗尽、算法效率较低,以及发布模型对部署平台要求较高,不利于广泛应用等问题。本文主要针对滑动窗口下的差分隐私流数据发布,通过异方差加噪,以降低数据发布误差,提高算法运行效率和发布模型实用性为主要目标进行了研究,并提出了有效的解决方案。主要成果表现为以下几个方面:(1)针对流数据发布时噪声累加、同方差加噪下查询精度仍待提高等问题,在滑动窗口下,通过对流数据分布特性的分析,设计出差分隐私区间树动态构建算法,并进行异方差加噪,建立异方差加噪下的差分隐私流数据发布模型,并对用户历史查询建立分析和预测模型,作用于树结构构建和隐私预算分配过程,以实现对数据发布精度的优化。理论分析与仿真实验结果表明,本文算法符合差分隐私保护要求,且能有效提高在滑动窗口下进行区间计数查询的精度。(2)针对差分隐私流数据发布时的树结构构建与异方差加噪过程可能存在的一致性约束问题,提出了基于滑动窗口和流数据发布背景,在一致性约束条件下进行最优线性无偏估计的优化算法。算法在树结构动态构建过程中进行实时优化,在保证较高的算法运行效率的前提下,有效提高区间计数查询精度。通过理论分析说明算法满足差分隐私定义,并通过实验验证算法在提升查询精度及算法运行效率的有效性。(3)针对单一滑动窗口流数据发布模型中,流出滑动窗口的历史数据不能被有效利用,查询范围有限,导致发布模型实用性较低的问题,提出了容量自适应的分级滑动窗口发布框架,通过多参数加权和空间回收算法,实现空间和查询精度的调节。实验及分析表明,该框架能够有效提高发布模型的灵活性与实用性,且有较高的算法运行效率。