该论文聚焦复杂事件处理（CEP）系统中的隐私保护问题。CEP 引擎从高速事件流中检测模式（如事件序列、时序关联、聚合条件），而现有的隐私保护机制（PPM）通常对整条数据流或单个事件施加统一噪声，限制性过强：隐私预算被平摊到大量与最终模式无关的细节上，导致数据消费者所获得的事件检测结果可用性显著下降。作者提出一种新的隐私保证——模式级差分隐私（pattern-level DP），使隐私强度能够以最终被检测出的模式为单位进行定义、施加与比较，而不再停留在事件或元组层面。基于该定义，论文设计并提出了若干新的模式级 PPM，并系统分析它们在不同信任模型下的行为，包括对上下文知识（例如系统中已部署的查询、模式结构）的依赖与要求。评估基于三个数据集（两个真实数据集、一个合成数据集），结果表明在保持与当前最优 PPM 同等隐私水平的前提下，所提方法能提升数据可用性；论文还通过仿真考察了所提 PPM 在多种实际场景下的性能，并论证计算复杂度不构成部署障碍。该工作适合数据库、流处理与隐私计算方向的研究人员，以及构建 CEP / 流式分析管道的工程师阅读。