物联网技术和互联网技术的在最近几年发展非常的迅速,在这个时代下,人们的信息共享度越来越高。个体用户在日常生活中,通过使用计算机网络,来获取自身所关注的信息已变得非常的方便。各种信息数据的共享为我们的生活带来了很大的便利,也给我国大部分的机构和组织带来了巨大的利益。当然任何事情都是有两面性的,在信息充分共享的情况下。对于那些不愿意透漏隐私的人来说,个人隐私信息的泄露问题也变得非常的棘手。因此,信息安全领域迎来一个新的研究方向——隐私信息数据发布技术。k-匿名的提出是在数据发布中保护隐私信息的有效办法,由于其简单方便成为了当前的主流模型。本文通过对k-匿名模型的深入研究,发现并指出了k-匿名模型的缺陷所在,设计了一个新的改进模型。本篇文章主要进行了以下工作:举例和分析部分专家学者对k-匿名的研究成果,探讨了k-匿名在保护隐私方面的作用以及自身存在的不足。列举国内外对现有的k-匿名算法的优化和改进,并进行了几种算法的比较。本篇论文提出了新的MaxDD算法。MaxDD算法正是一种新的基于聚类的匿名算法,该算法将最大相异度的聚类算法与(?,k)-匿名算法结合在一起,最大程度的降低了信息损失量,并且达到了隐私保护的效果。通过对微聚集k-匿名算法的深入研究,在建立最大相异度聚类的基础上,用微聚集技术和类质心分别代替传统的泛化技术和类中元组在准标识符上的值,来匿名化现实数据。该技术与L-多样性算法结合在一起,达到了既降低信息损失量又提高数据可实用性的目的。本篇论文在假设的基础上进行试验,对提出的两新的种改进算法在信息损失量程度上和时间效率做出相应的对比,总结并做出实验分析。本文所提出的算法均针对于微数据中所常用的混合型数据进行。