如今信息广泛流通,大数据已成为不可或缺的时代产物,借助大数据技术展现出的优势愈发显著。这也促使人们需要不断探索更高效的新技术对大数据进行处理,包括数据的存储、查询和分析等。其中,大数据查询处理在信息整合筛选等过程占有重要地位。然而,当人们从大数据技术中受益时,保护个人隐私也变得越来越困难,非法泄露个人信息或利用数据挖掘分析潜在的敏感数据等现象频发,导致个人隐私岌岌可危,因此隐私保护亟待得到更多的关注。经研究发现,在大数据查询领域中对相似性连接查询的研究大多面向查询时间优化,而其作为数据处理中的基本操作之一,在提升查询效率的同时也应关注个人隐私的保护,因为两个或多个文件之间的连接更容易识别出个体身份造成信息泄露。相似连接需耗费大量资源和时间,在满足高效性的前提下平衡数据机密性和可用性也是一项挑战。综合以上考虑因素,一种基于MapReduce的隐私保护相似性连接查询(以下简称PSJoin)设法给出了一个解决方案。具体而言,PSJoin确保了在相似性连接查询过程中和结果发布后的数据隐私性,该工作重点研究隐私泄露问题,定义了隐私相似连接查询,并搭建整体框架,提出一种隐私全局排序策略来处理前缀过滤过程中的数据泄露问题,并尽可能提高候选集的准确度,之后给出了差分隐私相似度函数用于保护隐私相似连接查询结果的隐私信息,并证明了上述方法满足差分隐私,通过将隐私相似连接查询嵌入MapReduce框架中进一步应对大数据查询瓶颈。借助多个真实数据集的实验和分析表明,提出的方法有效地防止了相似连接查询中的隐私泄露,与传统的相似连接查询对比,隐私相似连接查询算法通过参数的调节能进一步提高查询效率,平衡查询结果的隐私性与可用性,同时提供了良好的可扩展性。