通过前面 5.6.3节对一些隐私保护技术的介绍可以看出，在进行隐私保护数据挖掘研究时，选择符合实际需求的隐私保护算法是非常有必要的。同样在进行应用开发的时候，采用哪一种隐私保护算法也是值得考虑的。关于隐私保护技术的评估，昀重要的工作就是要建立合适的评价标准和相关的参考标准。然而，在实际应用中，很难用同一个标准来衡量所有的隐私保护技术。或者说，没有一种隐私保护技术所实现的算法能够在所有的衡量标准上优于其他的隐私保护技术算法。可以确定的是，针对一个特定的应用，存在一种算法能够比其他算法更符合某个标准。因此，应该提供一套度量准则，让用户根据自己特定的应用需求选择合适的隐私保护技术。通常，隐私保护算法可以从下列方面进行评价和比较：
（1）隐私保护度
隐私保护度是站在隐私保护的角度对隐私保护算法进行评估，该算法如何能够昀大限度地防止入侵者非法获取隐私数据，对隐私进行有效的保护。通常通过发布数据的披露风险来反映隐私保护度，披露风险越小，隐私保护度越高。在现有的算法中，隐私保护度是一个昀基本的方面，各个算法都从不同的角度进行了实现。例如：在安全多方计算中，保证参与计算的各节点不能了解到其他节点的原始数据，只能知道昀后的挖掘结果。数据匿名化技术中隐私保护度主要是根据设定同时混淆的个体数据来决定，如 k-匿名化技术中的 k值设定。选择混淆的程度越大，隐私就保护的就越好，根据现有信息推断出确定个体的可能性就越少。在基于数据失真的隐私保护技术中，隐私保护度是通过扭曲原始数据来实现的。
不同的隐私保护算法都设定了一个特定的数据模型，而且这些算法都针对非法入侵者进行了一个重要的假定，即所有的非法入侵者都是采用相同的入侵手段来窃取隐私。在实际应用环境中，这个假设显然是理想化的，也是不太合理的。综合来看，前面提到的不同隐私保护算法，所能做到的隐私保护度都是有限的。
（2）数据有效性
数据有效性是指隐私保护算法在处理数据的时候，对原始信息的修改使得挖掘结果，也即昀终得出的全局关联规则，与原始数据之间关系的匹配程度。它是对发布数据质量的度量，反映了通过隐私保护技术之后，原始数据的信息丢失程度。数据缺损的越多，信息丢失的越多，数据的有效性就会越差。
数据有效性也同样能够反映挖掘结果的有效性、可用性。很多的隐私保护算法使用混淆、伪造等技术对原始数据进行修改，而且主要是针对其中的隐私数据进行处理。这样就导致处理后的数据如果经过数据挖掘之后得出的结果是错误的，或者说该结果不能反映真实状况。在这样的情况下，原始的数据就失去了该有的价值，而这样处理数据的隐私保护算法也就同样失去了效用。因而在考虑保护个人隐私的同时，算法还要能在整体上反映出规则联系。
（3）算法复杂度
算法的复杂度一般指算法的时间复杂性和空间复杂性，即算法的执行时间和进行数据处理时消耗的系统资源，可以说算法复杂度是直接与计算效率相关的一条重要标准。
算法复杂性的高低主要体现在所需要的系统资源上。所需资源越多，该算法的复杂性就越高；反之，所需资源越少，该算法的复杂性就越低。重要的系统资源一般包括时间和空间，那么需要时间资源的数量就称为时间复杂性，需要空间资源的数量就称为空间复杂性。另外，在分布式环境下，为了共同挖掘知识，各个站点之间需要频繁地交换大量信息，这样通信复杂性也就成为衡量分布式算法性能的一个重要指标。毫无疑问，为了保护数据隐私，各个站点都会对发送的信息进行加密处理，由此产生的通信开销对算法性能的影响是巨大的。如何设计复杂度更低的算法是各类隐私保护技术所追求的重要目标。
（4）算法扩展性
算法扩展性指隐私保护算法在处理海量数据集或者数据量急剧增大时的应变能力。算法扩展性的好坏直接反映在当所处理的数据量突然增多的时候，算法的处理效率是否受到剧烈的影响。显而易见，一个扩展性好的隐私保护算法在数据量增大的同时，其处理效率的变化应该是相对缓慢的。
算法的扩展性在某种意义上是与其复杂性息息相关的，算法的复杂度会间接影响到其扩展性。例如，基于数据失真的隐私保护技术在处理数据时，算法从时间复杂度上来讲是相对较低的。但是在空间复杂度方面，由于其要遍历整个数据库，计算其中的频繁集，因此对内存资源的消耗是很大的。特别是当数据库中的数据量急剧增大的时候，其处理效率会显著降低，扩展性不好。
容易看出，每种隐私保护技术都有各自的优缺点，在不同的应用需求下，它们的适用范围、性能表现等存在较大差异。从表 5-11可以看出，当需要对特定数据进行隐私保护并且对计算开销要求比较高时，可以选择基于数据失真的隐私保护技术；而当用户更关注于对隐私的保护程度甚至要求实现完美保护时，则基于数据加密的隐私保护技术会更加合适，但代价是较高的计算开销（在分布式环境下，还会增加一定的通信开销）。基于数据匿名化的隐私保护技术在各方面都比较平衡，能以较低的计算开销和信息缺损实现对隐私的保护。表 5-12对隐私保护技术进行了进一步的对比分析。