数据匿名化因其安全性和有效性所特有的优势,常被用于解决数据发布的隐私泄露问题。针对相似性攻击造成隐私泄露的问题,本文提出(r,k)–匿名模型,基于敏感属性邻近关联,设定邻近抵抗阈值,并设计满足(r,k)–匿名模型的匿名算法GDPPR(Generalized data for privacy proximity resistance)。采用基于(r,k)–匿名模型改进的模糊聚类技术完成簇的划分,得出隶属矩阵,使得每个等价类中具备邻近关联的敏感属性取值频率不高于阈值。保证匿名化后数据可以满足用户的隐私保护需求,并且具备较高的使用价值。本文主要基于以下两个关键点进行研究:1.研究敏感属性邻近抵抗的匿名模型并设计满足(r,k)–匿名模型GDPPR匿名算法。针对相似性攻击会造成隐私泄露的问题,本文提出了(r,k)–匿名模型。要求匿名后的数据表在满足k-匿名模型的基础上,在同一等价类当中具备邻近关联的敏感属性取值频率不超过阈值r。有效的降低了攻击者通过相似性攻击获取目标敏感信息概率,并通过实验验证(r,k)–匿名模型的匿名效果。2.研究GDPPR算法中数据的可用性。GDPPR算法通过模糊聚类技术完成簇的划分,进而在泛化形成等价类的过程有效提高数据可用性。针对属性进行泛化操作带来不必要的信息损失的问题,本文基于(r,k)–匿名模型对模糊聚类技术进行改进,根据改进后的模糊聚类完成对数据集簇的划分。通过实验对比,证明划分簇后的数据集在形成等价类的过程中有效减少信息损失,提高数据可用性。本文选择了UCI机器学习库中的Adult数据集和Census-Income数据集两个标准数据集分别进行实验对比测试。结果证明GDPPR算法可以很好的满足(r,k)–匿名模型,可以有效抵抗相似性攻击。并且与Mondrian算法在相近的时间开销下,可以达到更好的匿名效果和数据可用性。