数据库安全加扰（database security scrambling），理学-计算机科学技术-信息安全-信息系统安全-数据库安全-统计数据库安全，数据加扰是防范推理攻击的一种数据库安全方法，其本质是对数据集或数据集的统计数据中的敏感数据进行模糊化的过程，这个过程是不可逆的，即攻击者无法从扰乱后的数据中推测出原始数据。数据加扰属于隐私保护的范畴，隐私保护问题是由统计学家T.达莱纽斯（Tore Dalenius）在20世纪70年代末提出，目的是保护数据集中的隐私信息，让任何用户在访问数据时都无法获取其他个体的隐私信息。早期隐私保护研究领域中具有代表性的方案有：k-anonymity、l-diversity和t-closeness等方案，但这些方案仅能够在一定程度上解决隐私保护的问题，在攻击者拥有的背景知识和攻击模型不断进化的情况下仍会造成敏感信息的泄露。安全性和鲁棒性都符合要求的数据加扰模型是差分隐私方法。差分隐私是微软科学家C.德沃克（Cynthia Dwork）在2006年针对统计数据库的隐私泄露问题提出的定义。