供应链金融涉及各方参与的用户众多,其中包括供应商与采购商等中小型融资企业、核心企业和金融机构、以及物流企业等。供应链金融区块链在实施应用的过程中面临许多问题,在单链结构下的区块链,供应链金融业务数据因无法隔离而导致节点数据冗余、系统无法并行处理和数据隐私安全威胁等问题。此外,构建的供应链金融区块链系统业务复杂,数据具有规模大、维度高等特征。尤其是银行等金融机构敏感数据较多,隐私信息泄露风险大,同时对数据用于大数据分析的可用性又有一定的要求。目前已有学者对于区块链的隐私保护提出了一些解决方案,但大多研究是关于数字货币交易过程中身份隐私和交易隐私信息的隐私保护,少有面向大数据分析开展的区块链隐私保护研究。因此,首先要通过扩展区块链寻找一种能够解决单链结构下所存在系统效率缺陷的解决方案。其次,有必要研究面向供应链金融大数据分析过程中,能够解决隐私安全问题和保证一定数据效用的隐私保护方法。针对以上提出的问题,本文主要讨论的是面向供应链金融区块链的系统效率和大数据分析过程中的隐私保护。首先,本文研究了业界中更多面向机器学习和统计应用过程提出的差分隐私保护算法的实现,提出了在高维数据下使用特征提取和高斯机制的差分隐私算法。首先,通过数学推理证明了该算法能够满足松弛差分隐私,并通过噪声方差分析了引入数据集的噪声量。然后,通过设置实验计算Frobenius范数和逻辑回归分类预测,与其他相关方法进行数据效用的比较。最后,结果表明该方法对于具有高维数据特征的数据集,能够在满足松弛差分隐私保护下与其他方法相比,本文提出的算法能降低引入噪声并提升约8%的数据效用。然后,采用一种社团聚类的方法将节点按照社团进行分链,通过多链结构隔离数据解决单链的区块链系统存在的数据隐私安全威胁和节点数据冗余的情况。通过性能分析实验,验证了由于多链结构的区块链具有并行处理请求能力,可以在请求数量较大的情况下,降低系统的响应请求的时间,提高系统的处理请求效率。最后,针对因隐私预算损耗过多导致的查询限制等问题,本文提出了噪声复用的差分隐私算法,并通过实验验证了算法的隐私预算损耗情况和数据结果的效用。结果表明,该算法能够通过历史记录账本记录区块链系统的隐私预算使用情况,并通过将旧噪声结果的复用,能够有效减少隐私预算的损耗,防止隐私预算浪费造成查询限制的问题。