本文提出并研究了在差分隐私保护下释放层次重击者（Hierarchical Heavy Hitters, HHH）的问题。层次重击者是经典重击者问题的推广，最早由Cormode等人在VLDB 2003中引入，用于在数据流中识别在层次结构上显著的项。尽管数据流中的HHH查找已被广泛研究，但在底层数据包含隐私信息时，如何安全地释放HHH结果尚未被探索。本文分别考察了非流式（静态数据集）和流式两种场景。在非流式设置中，作者发现了一个令人惊讶的结果：对于任何前缀，估计残差计数（residual count）的相对误差与层次的高度以及流中重击者的数量无关。这意味着即使在复杂的层次结构下，相对精度也能保持稳定。在流式设置中，虽然HHH的精确版本具有较低的全局灵敏度（因为计数查询是1-敏感的），但用于流式处理的近似函数却导致了较高的全局灵敏度，该灵敏度与可用空间呈线性关系。尽管如此，作者证明在流式设置中，估计频率的绝对误差与可用空间无关，从而突破了空间限制带来的障碍。本文的主要贡献包括：首次系统性地研究差分隐私HHH释放问题；在非流式场景中证明了一个与层次规模无关的误差界；在流式场景中给出了绝对误差独立于空间的证明。读者需要具备差分隐私、数据流算法以及层次重击者问题的基础知识。