差分隐私是能够提供严谨数学证明的隐私保护模型，针对传统差分隐私保护方法在混合型数据集中应用效果差、处理后破坏数据可用性等问题，提出一种面向混合型数据集自适应聚类的差分隐私保护算法。结合快速聚类及k-prototype聚类算法的特点，首先根据混合数据集的不同数据类型属性，采用不同的相异度计算方式实现对不同数据类型属性的距离计算；然后针对聚类后簇中心分别采用Laplace机制及指数机制进行分类处理，最后结合差分隐私的组合性质实现对混合型数据集的差分隐私保护。实验结果表明，该方法相较于传统方法处理混合型数据集时，在相同隐私预算下数据误差率下降15%，证明处理结
0 引言
大数据时代，数据处理方式不断优化，数据处理量迎来了井喷式增长。越来越多的研究机构投入到这些数字资源研究分析中，通过合理的数据挖掘分析方式[1]，获得高价值度的有效信息，从而支持各行各业紧密融合发展，推动实现企业、政府部门等组织的管理决策高效化。然而在提供巨大潜在利益的同时，无差别地将个人数据暴露在公共视野中&#x