随着大数据时代的发展,针对个人数据的采集变得愈加容易,数据一方面为人们带来便捷与高效的生活,另一方面也埋藏着更多的隐私泄露隐患。在后疫情时代背景下,为了实现精准化疫情防控,人们日常的轨迹数据与社交网络关系已不再是个人隐私。为了避免个人隐私泄露,相关数据收集者在数据的发布与分析中应该采取严格的隐私保护措施,尤其是对于诸如轨迹之类的隐私数据,其中所蕴含的复合关联关系由于关联推断的存在而具有更高的隐私泄露风险。因此,探究复合关联数据的隐私保护发布与管理问题,对于疫情防控常态化形势下的个人隐私保护具有重要意义。近年来,隐私保护问题持续受到各界关注,差分隐私由于具有严格的数学定义能够量化隐私在诸多隐私保护技术中脱颖而出,它主要通过添加噪声扰动原始数据实现隐私保护,同时能够保留原始数据的统计特征保证数据可用性,在隐私保护数据发布中已存在一些应用。但是,从其具体应用场景的角度来看,目前的差分隐私数据发布缺乏隐私保护水平设置的统一标准,是差分隐私从理论走向应用的痛点,且其在复合关联数据发布中会存在额外的隐私泄露,此外,诸多差分隐私查询攻击正在不断涌现,表明其存在隐私保护漏洞。针对上述差分隐私现存的问题,本文将重点优化其在复合关联数据发布中的应用,实现复合关联数据的隐私保护发布。通过探究隐私保护水平与噪声分布特点、社会隐私偏好等因素之间的联系,提出隐私保护参数选取模型确定数据发布的隐私保护水平;通过量化与约束复合关联数据在差分隐私发布中产生的隐私泄露,设计相应的数据扰动机制,建立交互式数据发布基础框架;然后,在此基础上增加恶意查询检测层优化发布框架,建立恶意查询检测模型以应对潜在的查询攻击。最后,基于真实数据集进行实验,结果表明本文所提出的复合关联数据发布框架兼具隐私性与高可用性,能够满足目标隐私保护水平,避免额外的隐私泄露,检测层的增加更是大幅度提升了数据发布中的隐私安全性。全文的创新点包括四个:1)首次融合与延展隐私保护参数选取中攻击模型与经济学模型两大研究分支,利用数据价值量化社会隐私偏好,实现攻击模型中攻击成功概率阈值的设定;2)拓展现有的攻击模型,建立更适用于复合关联数据发布的DP-Geometric攻击模型;3)组合优化现有关联差分隐私机制,提出复合关联差分隐私MCDP,解决差分隐私在复合关联数据发布中应用的局限性;4)本文从主动防御的数据管理视角,通过增加恶意查询检测层以解决差分隐私的潜在隐私保护漏洞,为现有仅通过优化噪声机制抵抗攻击的研究提供新的思路。这些不仅为复合关联数据在隐私保护下的发布与管理贡献了新的研究思路与方法,而且为我国推进与完善个人隐私保护具体实施方案提供了具有参考价值的理论和依据。