数据发布作为信息交换的一种有效手段,为数据交换和数据共享提供了便利,但随着数据挖掘等相关技术的快速发展,数据发布过程中的敏感信息泄漏问题也日益突出,隐私保护已成为数据库安全研究的一个新的热点。防止隐私泄漏的常用方法是对发布数据K-匿名,本文对数据发布过程中防止隐私泄漏的K-匿名模型的研究现状进行综合分析后,提出了一个新的模型,具体内容如下。首先,基于前人的研究成果和现有的解决方案,在K-匿名模型的基础上,提出了(L,K)-匿名模型,该模型可以有效消除K-匿名造成的属性泄漏。为了保证发布数据安全性,采用泛化的方法对预发布数据集进行处理,给出测量信息损失的公式,提出全域泛化算法,并对算法进行实例验证,对算法的时间复杂度进行分析。其次,将聚类分析的思想引入(L,K)-匿名模型,给出K-成员聚类问题定义,将K-成员聚类问题转化为K-匿名问题,并延伸到(L,K)-匿名模型。把聚类中距离计算方法应用到(L,K)-匿名模型中记录相似度计算,提出聚类泛化算法,并对算法进行实例验证和时间复杂度分析。最后,对上述(L,K)-匿名算法进行验证,通过分析实验结果发现,全域泛化算法得出的数据集可以保证(L,K)-匿名要求,但是信息损失比较大;而聚类泛化算法得出的数据集在保证匿名要求的情况下,信息损失较小,但是执行时间相对较长。