大数据中蕴含着巨大价值,被称为21世纪的“新石油”。然而,大数据中往往包含了大量的个人敏感信息,如果未经处理直接发布或共享大数据会导致严重的个人隐私信息泄露问题。数据脱敏是指按照脱敏规则对数据进行处理,从而实现对隐私信息的保护。匿名化是常用的脱敏方法之一,通过对数据进行泛化、抑制等操作,保证数据的隐私信息不被泄露。现有匿名化算法大多为针对静态数据的匿名化算法和针对数据流的集中式匿名化算法。对于流式大数据来说,集中式数据流匿名化算法受到单个节点的计算效率和内存容量限制,难以满足单位时间内对海量数据脱敏的需求。因此,面向流式大数据的分布式匿名化算法的研究具有重要的理论意义和实用价值。流式大数据具有单位时间内数据体量大的特性。现有的集中式数据流匿名化算法计算能力有限,无法满足流式大数据的脱敏需求。因此,本文基于经典的集中式数据流匿名化算法CASTLE,提出两种面向流式大数据的分布式匿名化算法,即基于网格的分布式匿名化算法和基于VP-Tree的分布式匿名化算法。本文基于分布式流计算框架Flink,实现上述算法,并对算法的效率和效用进行测试。实验结果表明,与基线算法相比,本文所提出的两种算法能够对流式大数据进行脱敏,并且能够在保证数据效用的前提下拥有较高的算法运行效率。本文基于所提出的面向流式大数据的分布式匿名化算法,设计并实现一套流式大数据脱敏系统。本文实现的流式大数据脱敏系统包括四个模块,分别为前端交互模块、权限管理模块、脱敏算法模块和数据管理模块。系统具有用户管理功能、流式大数据脱敏功能和订阅脱敏后的流式大数据等功能。本文对系统进行功能测试和非功能测试,测试结果表明,本文设计并实现的流式大数据脱敏系统的各功能模块符合设计预期,系统性能符合应用要求。