近年来,随着信息技术的不断发展,数据的产生量及存储量也迅速增长。作为数据存储和发布的重要形式,时间序列广泛应用于多个领域。对时间序列进行数据挖掘可以从中获得丰富的信息,这对于政府决策、企业管理以及公共服务等方面具有重要的意义。然而,时间序列中可能会含有一些个人敏感信息,数据挖掘的结果可能会对个人隐私造成泄露。因此,如何发布个人数据并且保证敏感信息不被泄露成为研究者们关注的焦点。对时间序列进行差分隐私保护的研究已经取得了一定的进展,但这些研究都假设时间序列的相关性符合一定的模型或规律,而隐私保护的研究重点是“攻击—防御”体系的建立,目前的研究方法在攻击端并没有针对具体的攻击模型而展开研究。此外,现有的研究方法没有提出一个具体的攻击模型,因此,它们的隐私保护强度无法进行横向比较和度量。为了解决以上几个问题,本文的研究主要包含以下三个方面:首先,由于现有的针对相关性数据的差分隐私保护方法设计的Laplace噪声是独立同分布的,与具有相关性的时间序列不同,这为本文设计一种攻击模型以滤除部分噪声提供了机会。该攻击模型通过滤除带噪序列中的一部分Laplace噪声,可以增大攻击者成功的概率.其次,本文从理论上分析了现有的针对相关性数据的差分隐私保护方法在通过攻击模型后隐私保护强度的变化,即本文提出的攻击模型可以为现有方法的隐私保护强度提供统一的度量。最后,本文在实验部分验证了时间序列的相关性对现有方法的隐私保护强度的影响,并且评估了现有的相关性数据差分隐私保护方法在本文攻击模型下的有效性。