聚类是对记录进行分组，把相似的记录分在同一个聚簇里，主要是使得属于同一聚簇的个体的差异尽可能小，而个体差异在不同聚簇之间尽可能大。聚类和分类的主要区别在于聚类不需要依赖预先定义好的类别，以及不需要训练集。分布式聚类分析是获得数据分布情况的有效方法之一。比如，在商业上，通过聚类分析可以从客户数据库中发现不一样的客户群，并能够按照客户购买习惯来描述不同的客户群特征。市场分析人员通过观察聚类得到的每个类别的特点，能够针对性地对特定的某些重点聚簇做进一步的分析。分布式聚类分析在诸如市场细分、业绩评估、目标客户定位等方面具有广阔的应用前景。
基于隐私保护的分布式聚类的关键是安全地计算数据间的距离。有以下两种常用模型：
① Naïve聚类模型。各个站点将数据用加密方式安全地传递给信任第三方，由信任第三方进行聚类后返回结果。
②多次聚类模型。首先各个站点对本地数据进行聚类并发布结果，再通过对各个站点发布的结果进行二次处理，实现分布式聚类。不论哪种分布式聚类模型，都利用了加密以实现信息的安全传输。当然，还有基于隐私保护的其他分布式聚类方法，如在任意划分数据的环境下的 k-mean聚类算法，通过引入随机数来保证安全传输的昀大期望（Expectation Maximization）聚类算法等。