随着网络技术的发展,大规模分布式计算及数据共享技术的进步,分布式数据流已经广泛存在于金融风险分析、无线传感器网络、网络入侵检测等应用中,发现其中蕴含的知识是目前国内外数据挖掘领域研究的一个热点。然而,数据挖掘在揭示模式或者知识的同时,也越来越对隐私和信息安全构成威胁,因此,如何在高效的挖掘过程中有效的防止隐私泄露,对分布式数据流挖掘技术提出了新的挑战。本文主要是针对当前分布式数据流挖掘应用中存在的隐私泄露问题,结合已有的数据挖掘技术和模型对数据流挖掘及隐私保护技术进行研究。首先,定义一种面向双重隐私保护的分布式数据流挖掘模型,重点关注最近到来的数据;给出一种分布式安全传输策略,采用远程站点、主站点和协调站点通信的结构,在取得隐私保护效果的同时,能较好的满足分布式数据流实时、高速的传输特点。其次,提出一种面向隐私保护分布式数据流挖掘的算法,采用随机干扰技术,结合集中式数据流挖掘算法,发现能够完全代表频繁项集并且数量级更小的闭合频繁项集,从而有效保护原始敏感数据,同时以时间戳为标志,将远程站点的临界闭合频繁项集及子集通过安全性较高的加密协议,增量更新至主、协调站点,有效降低通信负载并实现对原始数据和局部敏感规则的双重隐私保护。最后,通过仿真实验对本文的算法进行分析和讨论,结果表明算法是可行和有效的,能够较好的适应分布式数据流分布、动态的特性,在取得较好隐私保护效果的同时,有效地降低了通信负载。