近年来,随着数据挖掘、机器学习、深度学习等技术的兴起与发展,企业从普通用户处收集到了大量的数据,并对这些数据进行分析处理来了解用户的习惯和喜好,从而向用户提供更加个性化的服务。但是用户在日常生活中产生的数据包含了大量的个人敏感信息,直接发布或者进行分析会使得不法分子收集到用户的隐私,从而对个人进行网络诈骗、电话诈骗、木马攻击等等。作为一种有着严格数学理论证明的隐私保护机制,差分隐私假设攻击者拥有最大背景知识,在算法每一步的执行过程中添加精心设计的噪声使得最终的输出结果能够保护用户的隐私,而且可以通过调整隐私预算的大小来调整隐私保护级别。目前,差分隐私已经应用于数据挖掘的许多领域,例如主成分分析,聚类,频繁模式挖掘等等。差分隐私直接对数据添加噪声来达到隐私保护的目的,添加噪声的大小与数据集的维度密切相关,直接影响频繁项集挖掘结果的可用性,因此如何兼顾安全性和效用性是差分隐私算法面临的一大挑战。论文从提高挖掘结果的可用性及提高算法效率两个出发点,提出了两种新的满足差分隐私保护的频繁项集挖掘算法。论文对现有的一些频繁项集挖掘算法进行了研究和分析,发现降低数据集中最长事务的长度是提高频繁项集挖掘算法挖掘结果可用性的关键手段,如何对数据集进行处理来平衡加噪引入的误差和数据集可用性降低引入的误差,是频繁项集挖掘算法面临的挑战。针对这一问题,论文提出了一种按支持度截断数据集的频繁项集挖掘算法Trun Super,通过对事务数据集进行截断以降维,将事务中的项按支持度从大到小进行排序,剔除支持度较小的项,从而提高挖掘结果的可用性。由于满足差分隐私保护的频繁项集挖掘算法需要多次遍历数据集,减少遍历一次数据集所需要消耗的时间是提高频繁项集挖掘算法挖掘效率的关键手段,而采用取样数据集必定会影响最后挖掘结果的准确性,如何在使用取样数据集提高算法效率的同时,尽可能保证挖掘结果的可用性是频繁项集挖掘算法面临的挑战。论文针对这一方向,提出了一种利用中心极限定理计算取样数量的频繁项集挖掘算法Sample Trun,该算法的创新主要体现两点,首先使用中心极限定理计算出一个合理的取样数量,其次对算法各个步骤进行分析,提出了最适合采用取样数据集的几个步骤。最后,通过在三个数据集上的实验,验证了论文提出的两个算法的优越性。