随着互联网的高速发展,计算机技术在人们生活中的应用越来越广泛,已经成为人类生活不可或缺的一部分。在大数据时代背景下,海量的数据中蕴含的是现实世界中各个领域的碎片化的信息,具有不可估量的潜在价值。随着大数据中巨大的潜在价值被挖掘,为人类的生活提供了便利。偏好分析,精准推送让人们的选择变得方便简单。然而,近年来隐私泄露及大数据杀熟事件层出不穷,为基于大数据发展的技术产业敲响了警钟。出于保护用户隐私的目的,业内研究者提出了差分隐私的保护模型。差分隐私使得攻击者无法准确辨别被攻击者的信息具体来自于哪一条记录,是有效的隐私保护模型。根据以上背景,本文使用本地差分隐私保护模型,实现了基于RAPPOR思想的本地差分隐私保护,并且在实现本地差分隐私模型的同时探究数据属性域的大小分布与不同的哈希函数间的选择组合关系。对于不同特点的数据集来说,选择使用冲突最小的哈希函数组合,其中当哈希函数的数量为2,使用mmh3和FNV函数时,对于数值型的数据冲突最小,在添加扰动的过程中减少了随机性扰动的产生,既实现了隐私的保护又保证了数据的可用性。同时由于海量数据的发展不仅体现在用户数量上,也体现于用户数据属性的增多,而数据的高维度会带来维度灾难,给之后的数据还原以及数据挖掘增加了难度。出于这样的考虑,本文在实现本地化差分隐私的同时,实现了一种基于联合概率分布估计的降维算法,以减少维度灾难带来的影响。并且对比了当下机器学习中效用性较强的主成分分析方法、线性判别式分析、因子分析、贝叶斯网络四个方法,通过多个方法的多组对比试验,探究在不同的降维方法下,经过本地差分隐私处理后数据的可用性,并分析了在本地差分隐私保护后对数据进行降维时不同方法的优劣。实验结果表明了基于概率分布估计的降维方法同差分隐私结合后,实现了对数据的隐私保护,通过与其他方法的对比实验验证了数据的可用性,证明了本文使用方法可行有效。