开发一种保护隐私的数据发布算法（PPDP），在不忽视数据效用的情况下防止个人身份信息的泄露，仍然是一个有待实现的重要目标。这是因为在数据效用和数据隐私之间找到最佳平衡是一个具有挑战性的NP难题，也是当前的研究领域。作为该项目的一部分，通过关注基于数据匿名化过程中常用的k匿名化方法的算法的基本缺点，开发了将对文献做出重大贡献的新算法。该项目范围内的拟议算法是基于基于连通性的离群因子（COF）和蒙德里安技术的PPDP算法。该算法旨在通过在蒙德里安算法中引入异常检测机制来提高数据效用，并生成比蒙德里安方法更多的等价类，与基于k-匿名化的先前算法相比，提供了更多的数据效用。另一种提出的PPDP算法基于项目范围内的k-匿名化，具有一种新颖的分区策略，该策略基于分而治之策略（如k-维树（KD树））来划分数据空间。它在保持权衡的同时解决了边界问题，并引入了一种新的机制来解决异常值引起的问题。该算法适用于数值和分类数据，与之前的算法相比，在数据效用和数据隐私方面都表现出了更成功的性能。