本研究关注在本地模型（Local Model）下私有化释放函数（特别是曲线）的问题。曲线是连续函数在有限区间上的像，真实世界中许多数据天然以曲线形式存在，例如轨迹数据、一维密度曲线等。在本地模型中，每个个体的数据是一个函数，而隐私保护的目标是释放该函数的某种扰动版本。标准本地差分隐私（Local Differential Privacy, LDP）要求任意两个截然不同的函数经过私有化后都不可区分，这一条件过于严格，导致扰动后函数失去可用性。为此，作者引入更广义的隐私概念——地理隐私（Geo-Privacy, GP）。GP 的核心思想是：在度量空间上距离较远的两个函数可以被较为容易地区分，而距离较近的函数则获得强保护。这与实际需求匹配：距离近的曲线可能代表相似用户行为或邻近位置，需要严格隐藏；距离远的曲线则可保留区分度以保证数据效用。本文提出一个在本地模型下基于 GP 的函数私有化框架，并使用多个数据集对该框架进行实验评估，验证了其在隐私和效用之间的平衡能力。该工作填补了本地模型下函数/曲线私有化研究的空白，并为轨迹数据、密度曲线等个体级连续数据的安全发布提供了新的方法论参考。适合差分隐私、位置隐私、轨迹数据分析等领域的研究者阅读。