本文针对数据驱动系统中马尔可夫链状态轨迹的隐私泄露问题，提出了一种基于差分隐私的在线隐私化框架。在许多应用中，系统需要依赖马尔可夫链的状态轨迹（如产品信用风险、用户物理位置、上网行为等）进行决策，但这些轨迹往往包含敏感的用户信息。现有方法通常需要离线处理或会引入较大噪声，导致数据效用下降。为此，作者将马尔可夫链建模为加权有向图，边的权重取转移概率的负对数，并将隐私化轨迹中的每个状态定义为与原始敏感状态在最短路径总权重（即距离）上最接近的候选状态。该机制以在线方式工作，即在生成敏感轨迹的同时生成对应的隐私轨迹，无需等待完整轨迹。理论上，作者证明了隐私轨迹以高概率保持与敏感轨迹接近，从而在下游任务中维持高效用；同时，隐私轨迹始终处于原马尔可夫链的典型集内，说明其统计特性与真实轨迹相似。数值实验表明，在 3-差分隐私参数下，所提机制相比现有技术可将熵降低高达 80%，意味着生成的隐私轨迹更接近原始敏感轨迹，且保持相同隐私水平。本文的主要贡献包括：首次针对马尔可夫链状态轨迹提出在线差分隐私框架、基于加权图距离的隐私化机制、以及严格的理论保证和实验验证。适合对差分隐私、马尔可夫链建模和数据驱动隐私保护感兴趣的研究人员阅读。