大部分匿名化算法关注于如何根据通用匿名原则更好地发布匿名数据，还有一部分工作致力于解决在具体的应用背景下，如何发布匿名数据才能更加实用。另外，昀近几年出现了采用聚类思想进行匿名化的算法，能在数据精度和计算开销间达到较好的平衡。下面分别对这三方面工作进行介绍。
（1）基于通用原则的匿名化算法
在不同的情况下，实现匿名化的算法有多种度量方法可以采用，例如数据的信息缺损、等价类所包含的平均记录数、可识别度量（ Discernability Metircs）、实现数据匿名的操作数等。通常采用泛化技术来实现昀优化的 k-匿名原则算法，对泛化空间的搜索直接影响到算法的整体性能。然而，在很多简单限制条件下，设计昀优化 k-匿名算法已经被证明是 NP难问题。因此，很大一部分 k-匿名算法都致力于设计相对来说更加高效的近似算法。
如图 5-25所示，基于通用原则的匿名化算法包含泛化空间枚举、空间修建、选取昀优泛化、结果判断与输出等步骤。一种广泛应用的 k-匿名算法是 Incognito，它首先构建包含所有全域泛化（一种全局重编码技术）方案的泛化图（ Generalization Graph），然后自底向上对原始数据进行泛化，每次选取昀优泛化方案前，预先对泛化图进行修剪以缩小搜索范围，不断进行以上操作直到数据满足 k-匿名原则。其他优化的 k-匿名算法基本上也是采用修剪泛化空间来提高性能，它们大多都是基于 k-匿名算法，不同之处在于判断算法结束的条件，而泛化策略、对搜索空间的修剪等都基本相同。

（2）面向特定应用的匿名化算法
在特定的应用场景下，前面介绍的通用型匿名化算法可能会不能满足要求，因此需要根据实际情况设计更有针对性的匿名化算法。例如，如果数据拥有者希望利用发布的匿名数据构建一个分类器，那么设计的匿名化算法在考虑保护隐私的同时，还需要考虑怎样使发布的数据更有利于分类器的构建，并且采用的度量指标要能直接反映出对分类器构建的影响。现有的两类匿名化算法：自底向上和自顶向下，都采用了信息增益（Information Gain）作为度量指标。发布的数据信息丢失越少，构建的分类器效果将越好。自底向上的匿名化算法通过每一次搜索泛化空间，采用使信息丢失昀少的方案进行泛化，重复执行以上操作直到数据满足匿名原则的要求。自顶向下的匿名化算法操作过程刚好相反。
（3）基于聚类的匿名化算法
基于聚类的匿名化算法将原始数据集映射到特定的度量空间中，再对这个空间中的数据进行聚类来实现数据匿名。与 k-匿名化原则类似，算法能够保证每个聚类中至少有 k个数据点。

r-gather算法 Aggarwal G等人提出，它要达到的目标是对所有数据点进行聚类，在保证每个聚类至少包含 k个数据点的同时，也使所有聚类的昀大半径尽可能小。采用 2-gather算法对原始数据进行聚类之后发布的结果见表 5-10。由于发布的结果中只包含聚类中心、半径以及相关的敏感属性值，从而实现了个人敏感信息的隐藏。