本文针对差分隐私（Differential Privacy, DP）在实际部署中必须满足的聚合约束（也称为不变性）问题，提出了一种基于最大熵的差分隐私实现方法。在标准的差分隐私机制中，通常通过向查询结果添加独立的高斯或拉普拉斯噪声来保护个体数据，然而当存在某些必须保持不变的线性聚合查询（例如美国十年人口普查中的州总人口数，因其受宪法约束而不可扰动）时，独立的噪声添加会破坏这些不变性。作者提出了一种高熵差分隐私实现方案，该方案以概率1或指数接近1的概率维持聚合不变性，并推导了在此约束下的隐私保证。理论贡献包括部分解决了关于相关矩阵零空间的一个开放问题。该方法在线性等式约束下从正态混合模型中采样的场景中具有通用价值。研究适合差分隐私领域的研究人员、统计学家以及需要发布满足法定约束的统计数据的实践者阅读。