随着大数据成为国家基础性战略资源,许多企业和组织希望从海量数据中取得经济利益,并为用户提供便利。对于大多数企业和组织来说,他们没有处理海量数据的能力。因此,将数据挖掘任务外包给云计算服务机构有效地解决了这些企业和组织计算和存储容量不足、资源利用不足和资金投入等问题。但随之而来新的安全隐患,核心问题是数据所有者不希望自身敏感信息被别人知道。因此,隐私安全问题是海量数据挖掘技术应用的主要瓶颈之一。频繁项集和关联规则挖掘技术作为数据挖掘最重要技术之一被广泛应用于商品推荐系统、金融行业预测中和医疗数据分析中。在这些应用中对隐私保护要求较高。本文针对外包关联规则挖掘这一场景,通过对经典的Paillier同态加密算法进行加强,使其满足同态乘法,从而能够对密文处理复杂的计算,并提出完整的隐私保护关联规则挖掘方案。主要工作如下:（1）在原始Paillier同态加密算法基础上对其进行加强,利用Paillier的加法同态性质和数乘同态性质,实现乘法同态计算从而满足全同态加密,并设计了安全比较方案。改进后的Paillier同态加密方案称为FH-Paillier同态加密方案。与原始Paillier同态加密算法相比,在保留原有安全性的条件下,可以在更复杂计算场景下应用。（2）基于FH-Paillier加密算法,提出了完整的隐私保护外包关联规则挖掘方案。方案通过插入虚假数据扰乱原始数据库的信息,可以应对频率分析攻击。并使用FH-Paillier同态加密算法加密数据标签值,保证敏感信息不被泄露。频繁项集和关联规则的挖掘采用基于Map Reduce框架改进的并行算法MREclat对数据进行挖掘,该算法在各个站点之间无需通信,并且I/O次数较少。通过理论和实验对提出的方案进行反复论证和分析,实验表明,该方案具有较高的安全性和效率。（3）针对Paillier加密算法在加密和解密时可能出现计算过载,基于中国剩余定理对Paillier加密算法进行改进,研究并提出了一种改进的加密和解密方法。具体来说,利用中国剩余定理提升加密和解密过程的运算效率,并证明了算法改进后的理论正确性和准确性。实验结果表明,该方法具有较高的解密速度。