1.一种隐私保护的共享近邻密度峰聚类方法，其特征在于，包括以下步骤：步骤1、密度距离计算阶段：在密度距离计算过程中，将共享近邻相似度和欧氏距离进行统一度量样本间的相似度，并计算样本的最短距离，根据差分隐私定义，在度量样本的局部密度ρ和最短距离δ时加入满足Laplace机制的噪音；

步骤2、聚类中心选择阶段：在聚类中心选择过程中，将共享近邻相似度引入聚类中心选择过程，自适应地进行聚类中心的选择；

步骤3、剩余样本分配阶段：在剩余样本分配过程中，根据样本的密度和距离将剩余样本进行分配，完成聚类过程。

2.根据权利要求1所述的隐私保护的共享近邻密度峰聚类方法，其特征在于：所述步骤

1中，根据k近邻集、共享近邻相似度的概念，将共享近邻相似度和欧氏距离进行统一计算样本的局部密度，最短距离为样本到其他较高密度样本之间的最短距离，如果该样本已经是最高密度的样本，最短距离就等于该样本到其他样本的最长距离，根据差分隐私的定义，计算查询函数的敏感度，计算满足ε-差分隐私保护所需的Laplace噪音的大小，并将噪音分别加入局部密度和最短距离中。

3.根据权利要求1所述的隐私保护的共享近邻密度峰聚类方法，其特征在于：所述步骤

2中，理想的聚类中心为最短距离大并且局部密度相对较大样本，根据步骤1得到的样本的局部密度和最短距离，自适应地进行聚类中心的选择。

4.根据权利要求1所述的隐私保护的共享近邻密度峰聚类方法，其特征在于：所述步骤

3中，将样本按照局部密度由大到小排序，若样本未被分配，就将该样本分配到距其最近并拥有较高密度的样本所在的类簇中，否则，对下一个样本进行分配。

5.根据权利要求1或2所述的隐私保护的共享近邻密度峰聚类方法，其特征在于：所述步骤1包括以下步骤：步骤1.1、数据集预处理；

步骤1.2、假定数据集XN×M＝[x1,x2,...,xN]T，对于任意向量xi＝[xi1,xi2,...,xiM]表示样本xi(1≤i≤N)的M个属性，N为样本总个数，利用以下公式，计算样本xi和样本xj(1≤j≤N)的欧氏距离：步骤1.3、数据集X中任意样本xi和xj，KNN(xi)为样本xi的k近邻，KNN(xj)为样本xj的k近邻，则通过以下公式计算样本xi和xj的共享近邻相似度SNNS(xi,xj)：SNNS(xi,xj)＝|KNN(xi)∩KNN(xj)|；

步骤1.4、设有查询函数f:D→Rd，其中D为输入的数据集，输出为一个d维实数向量，对于任意数据集D和D'(D和D'具有同属性结构，且差别至多为一条记录)：则通过以下公式计算敏感度：d

步骤1.5、给定数据集D，设有查询函数f:D→R ，其敏感度为Δf，那么随机算法R(D)＝F(D)+Y提供ε-差分隐私保护，Y～Lap(b)为随机噪音，其中尺度参数b＝Δf/ε，服从满足Laplace机制的概率密度函数为：步骤1.6、满足差分隐私保护的样本局部密度计算，通过以下公式计算样本xi的局部密度：步骤1.7、满足差分隐私保护的样本最短距离计算，通过以下公式计算样本xi的最短距离：计算样本xi的最短距离δi，δi为xi到其他较高密度样本之间的最短距离，如果该样本已经是最高密度的样本，最短距离就等于该样本到其他样本的最长距离。

6.根据权利要求1或3所述的隐私保护的共享近邻密度峰聚类方法，其特征在于：所述步骤2包括以下步骤：步骤2.1、基于密度距离计算阶段，已经得到加入噪音后的样本局部密度ρ和最短距离δ，初始化聚类中心数组centers，初始化队列Q，标记所有样本未访问；

步骤2.2、理想的聚类中心为高δ值和相对较高ρ值的样本，因此计算γi＝ρi×δi，将样本按照γ值降序排列，从未被访问的样本中依次取出γ值最大的样本加入队列Q，并标记该样本已访问，直到所有样本都被访问；

步骤2.3、取出队列Q的对头样本h，将h加入数组centers，并为该样本分配类标签；

步骤2.4、依次取出队列Q中未被分配的样本q，若q满足 则将其加入到数组centers中，并为其分配类标签；

步骤2.5、若数组centers中样本个数小于等于类簇个数L，转入步骤2.4；否则，聚类中心选择完毕。

7.根据权利要求1或4所述的隐私保护的共享近邻密度峰聚类方法，其特征在于：所述步骤3包括以下步骤：步骤3.1、聚类中心选择阶段得到聚类中心数组centers及其类标签，初始化队列Q和数组cl；

步骤3.2、将所有样本按照局部密度ρ降序排列，依次加入队列Q；

步骤3.3、依次取出队头样本，若该队头样本已被分配，将其从队头删除，若未被分配，将其分配至距离其最近并拥有较高密度的样本所在的簇；

步骤3.4、所有样本都被分配，否则，转入步骤3.3。