数据随机化即是对原始数据加入随机噪声，然后发布扰动后数据的方法。需要注意的是，随意对数据进行随机化并不能保证数据和隐私的安全，因为利用概率模型进行分析常常能披露随机化过程的众多性质。随机化技术包括两类：随机扰动（ Random Perturbation）和随机化应答（Randomized Response）。
（1）随机扰动
随机扰动采用随机化过程来修改敏感数据，从而实现对数据隐私的保护。一个简单的随机扰动模型如表 5-4（a）所示。
对外界而言，只可见扰动后的数据，从而实现了对真实数据值的隐藏。但扰动后数据仍然保留着原始数据分布 X的信息，通过对扰动后的数据进行重构（表 5-4（b）所示），可以恢复原始数据分布 X的信息。但不能重构原始数据的精确值 x1 x2`````` x n。

随机扰动技术可以在不暴露原始数据的情况下进行多种数据挖掘操作。由于通过扰动数据重构后的数据分布几乎等同于原始数据的分布，因此利用重构数据的分布进行决策树分类器训练后，得到的决策树能很好地对数据进行分类。在关联规则挖掘中，通过往原始数据注入大量伪项（false item）来对频繁项集进行隐藏，再通过在随机扰动后的数据上估计项集支持度，从而发现关联规则。
（2）随机化应答
随机化应答的基本思想是：数据所有者对原始数据扰动后发布，使攻击者不能以高于预定阈值的概率得出原始数据是否包含某些真实信息或伪信息。虽然发布的数据不再真实，但在数据量比较大的情况下，统计信息和汇聚（ Aggregate）信息仍然可以较为精确地被估算出。随机化应答技术与随机扰动技术的不同之处在于敏感数据是通过一种应答特定问题的方式间接提供给外界的。
随机化应答模型有两种：相关问题模型（ Related-question Model）和非相关问题模型（ Unrelated-question Model）。相关问题模型是通过设计两个关于敏感数据的对立问题，如：
①我含有敏感值 A；
②我没有敏感值 A。
数据所有者根据自己拥有的数据随机选取一个问题进行应答，但不让提问者知道回答的具体问题。当大量数据所有者进行回答后，通过计算可以得出含有敏感值的应答者比例和不含敏感值应答者的比例。假设应答者随机选取问题 1的概率为，则有以下等式成立：

其中 P*( A=yes)是回答中 yes的比例，P(A=yes)是含有敏感值 A的数据所有者的比例。通过以上两个等式，联合对所有应答进行估计得出的 P*(A=yes) 和 P*(A=no) ，可以得到含有（或不含有）敏感值 A的数据所有者比例（或 PA=no)）(或P(A=no))
在这整个过程中，由于不能确定与应答者回答的相关问题，因此不能确定其是否含有敏感数据值。由于基于随机化应答技术采用应答模式提供信息，因此多用于处理分类数据（Categorical Data）。