随着互联网技术、大容量存储技术的迅猛发展以及数据共享范围的逐步扩大,数据的网络化与透明化成为不可阻挡的大趋势,用户在网络中产生的数据信息被频繁地用于数据挖掘,导致隐私泄露等网络安全问题层出不穷。因此,大数据环境下的网络数据隐私保护成为当前重要的研究方向,力求实现数据的可用性和隐私的安全性之间的平衡。基于对网络流量数据挖掘技术和隐私保护模型的研究,针对网络流量敏感属性泄露问题,本文提出了基于扰动的网络流量数据隐私保护方法,并且从数据可用性和安全性两个方面进行衡量。本文的研究内容主要分为以下三个方面:(1)针对网络流量数据含有的冗余属性对分类挖掘效果的影响,提出了一种基于信息熵的网络流量属性特征选择算法,提取了与应用类别相关度高且属性之间冗余性小的特征子集。实验证明筛选出的特征子集能够准确地表达原始数据的特征并可有效地应用于分类。(2)为了防止网络流量属性中的敏感数据泄露,结合属性的概率分布,设计了一种基于扰动的网络流量数据隐私保护算法。该算法在生成与原始属性独立同分布的数据基础上,进一步采用序映射来恢复属性之间的对应关系,以实现在保护数据安全性的同时提高数据的可用性。(3)从数据的可用性和安全性两方面验证基于扰动的网络流量数据隐私保护算法的有效性。实验证明,扰动后的数据与原始数据相比,仍然能够保持较高的分类准确率,即保持了数据的可用性;同时数据之间的相似性较差,能够较好地隐藏原始数据,即数据的安全性得到了有效保障。综上,本文针对网络流量分类方法进行了分析,设计了基于信息熵的特征子集选择算法,并重点提出了针对网络流量数据的隐私保护算法,最后在真实网络流量数据集进行了仿真验证。实验证明,使用该算法处理后的网络流量数据能够兼顾数据的安全性和可用性,缓解了已有算法在两者性能中的矛盾,可以有效地解决网络流量在数据挖掘过程中的隐私泄露问题。