随着大数据时代的到来,数据挖掘被应用于许多领域。但是,数据挖掘所使用的数据中通常包含用户的一些个人信息,恶意的分析人员可能利用数据挖掘技术获取某些隐私信息,从而造成个人隐私泄露,对社会和个人都造成不良的影响。差分隐私技术作为一种具有严格定义的隐私保护技术,受到了广泛的关注。聚类分析作为数据挖掘中一个重要的研究方向,在其分析过程中,也存在着隐私泄露的问题。如何在满足隐私保护的前提下,提高聚类结果的可用性,实现隐私性和可用性之间的平衡,是一个具有应用价值的研究课题。本篇论文从实现满足差分隐私保护的聚类算法以及提高其可用性的角度出发,对聚类算法中存在的隐私泄露问题进行分析,针对满足隐私保护的聚类算法中隐私预算的分配、初始质心的选取和簇的个数无法确定等问题提出了三种差分隐私保护的数据聚类算法。(1)为了提高满足隐私保护的K-means聚类算法的效率和可用性,在MapReduce分布式框架下提出了一种高效的满足差分隐私保护的数据聚类算法EDCDP。基于canopy算法设计了一种可以部署于MapReduce框架的聚类初始质心选取方法,并通过优化隐私预算的分配方案提高聚类结果的可用性。(2)为了解决混合型数据集聚类算法的隐私保护问题,基于K-means算法和K-modes算法,提出了满足差分隐私保护的混合型数据聚类算法ODPC。通过分析引入差分隐私带来的损失,改进隐私预算的分配方案,提高了聚类结果的可用性。(3)为了解决簇的个数不确定的数据集聚类算法的隐私保护问题,基于非参数贝叶斯方法提出了一种满足差分隐私保护的聚类算法IDPC。IDPC无需提前确定簇的个数,且簇个数会随着数据集自适应地变化。此外,设计了一种合理的机制以确保算法满足差分隐私保护。针对以上算法,我们提供了详细的安全性分析和性能分析,证明所提出的算法能够在满足隐私保护的前提下,提高了算法结果可用性,实现隐私性和可用性之间的平衡。