在当前互联网快速发展以及大数据普及应用的大背景下,一些统计机构开始大量收集并且发布数据信息。怎样才能够在发布数据的过程当中为个人隐私提供有效保障,并且使得数据能够有较好的可用性,这应该是隐私保护方面所需要解决的一个关键问题。差分隐私作为一种相对完善的隐私保护模型,其与攻击者的背景知识无关且经过严格数学证明并提供量化可控的隐私保护能力。因此,差分隐私一出现就被业界广泛认可并逐渐成为研究热点,而现有的差分隐私直方图发布技术未能高效处理存在离群点的数据集而且发布的数据精度不高。本文的创新点为基于桶重构的思想,提出了一种高效的、面向存在离群点数据集的差分隐私直方图发布的R-G-I方法(Gradient RegressionGreedy Algorithm-Isotonic Regression),该方法主体为三个依次执行的算法,分别为梯度回归算法(Gradient Regression),合并相邻桶的贪心算法(Greedy Algorithm),保序回归算法(Isotonic Regression)。本文完成的主要工作如下:(1)分析了直方图发布技术中要对桶进行重构的原因以及离群点的存在对桶重构和数据发布准确性的影响。针对离群点的问题,提出了梯度回归算法(Gradient Regression)。该算法基本思想是对比注入噪声的邻桶间频数,并针对原始直方图桶所对应的频数排序实施预处理,从而有效降低交替分布度,以尽可能的减小离群点针对直方图重构产生的影响。(2)提出基于相邻桶合并的贪心算法(Greedy Algorithm)。该算法首先采用贪心的思想对直方图的桶行重构,每次用贪心策略选择相邻桶距离最小的两个桶进行合并,并利用红黑树对合并过程做出优化。最后,在重构之后的新直方图每个桶里面加入拉普拉斯噪声来满足差分隐私要求。(3)分析了保序回归技术(Isotonic Regression)使资源利用率最大化的原理。最后利用直方图发布中的保序回归算法在噪声扰动后的序列上按照原始序列的排序约束进行校正,以提高直方图序列的精确度和直方图的查询精度。(4)应用各不相同的真实数据集实施对比实验。先是通过梯度回归算法预处理携带有离群点的原始直方图,接着是针对没有做出预处理与已经做出预处理的直方图借助StructureFirst等方法予以重构,然后是和实验结果做出比较分析,从而能够实现对梯度回归算法的有效性予以验证。最后是把R-G-I发布方法与现存的差分隐私直方图发布方法做出对比实验,从而对R-G-I方法的效率性以及准确性做出验证。