การได้รับความนิยมของบริการทางเทคโนโลยีสารสนเทศผ่านเครือข่ายอินเตอร์เน็ตส่งผลให้การละเมิดความเป็นส่วนตัวของข้อมูลสามารถทำได้ง่ายขึ้น ดังนั้นการแปลงข้อมูล เพื่อรักษาความเป็นส่วนตัวได้กลายเป็นสิ่งจำเป็นก่อนการประมวลผลข้อมูลในการใช้บริการ ทั้งนี้(k, e)-Anonymization เป็นการแปลงข้อมูลเพื่อรักษาความเป็นส่วนตัวในแนวทางของการสับเปลี่ยนที่สำคัญประเภทหนึ่ง เนื่องจากการแปลงข้อมูลด้วยวิธีดังกล่าวสามารถให้ข้อมูลผลลัพธ์ที่ยังนำไปใช้งานต่อได้อย่างแม่นยำ ในงานวิจัยนี้ มีวัตถุประสงค์ 2 ประการ ได้แก่ 1) ศึกษาผลกระทบของการรักษาความเป็นส่วนตัวด้วยแนวทางการสับเปลี่ยนต่อดัชนีในแง่ของประสิทธิภาพ 2) การเสนอโครงสร้างดัชนีสำหรับการสอบถามแบบเชิงกลุ่มบนข้อมูลที่แปลงแล้วเพื่อที่จะบรรลุวัตถุประสงค์เหล่านี้ผู้วิจัยได้วิเคราะห์การเปลี่ยนแปลงของดัชนีซึ่งเกิดจากการปรับข้อมูล โดยมุ่งเน้นที่กระบวนการเพิ่มข้อมูลเข้าสู่ข้อมูลที่แปลงแล้วเป็นหลัก การแก้ปัญหา เริ่มด้วยการสร้างข้อสังเกตเกี่ยวกับการเพิ่ม ข้อมูลอย่างเป็นระบบ จากนั้น ได้นำเสนออัลกอริทึมแบบเพิ่มขึ้นจากข้อสังเกตนั้นทั้งนี้อัลกอริทึมสามารถหลีกเลี่ยงการประมวลผลทีมีความซับซ้อนเชิง คำนวณในลักษณะ Quadratic ในบางส่วนของข้อมูลด้วยการประมวลผลที่มีความซับซ้อนเชิงคำนวณในลักษณะ Linear ท้ายที่สุดดัชนีสองประเภทซึ่งสามารถรองรับการเปลี่ยนแปลงข้อมูลได้ถูกนำเสนอเพื่อเพิ่มประสิทธิภาพการประมวลผล จากการทดลอง งานทนเสนอทั้งในส่วนของอัลกอริทึมและดัชนีนั้นมีประสิทธิภาพสูงกว่าอัลกอริทึมแบบดั้งเดิม และอัลกอริทึมแบบ ประมาณ โดยที่สามารถให้ผลลัพธ์แบบดีที่สุดได้ The emerging of the internet-based services poses a privacy threat to the individuals. Data transformation to meet a privacy standard becomes a requirement for typical data processing for the services. (k, e)-anonymization is one of the most promising data perturbation-based transformation approaches, since it can provide high-accuracy aggregate query results. Our work focuses on 1) study the effect of the permutationbased privacy-preservation processes on the indexes in term of the efficiency, 2) propose an efficient index structure for aggregation querying the permuted data. In order to achieve such goals, we begin with analyzing the dynamism on the indexes caused by the data updating. Specifically, we focus on the appending of data to the permuted dataset. We start with making the observation on the data appending theoretically. Subsequently, an algorithm based on the observation is proposed. In which the quadratic-complexity processing on some part of the dataset can be replaced by the linear-complexity processing. Eventually, two indexes, which can tolerate the data updating, are proposed to improve the efficiency of the data processing. The experiments have been conducted to validate our work. From the results, the proposed work composed of an algorithm and the indexes is highlyefficient comparing with the non-incremental algorithm and an approximation algorithm, while the same results with re-applying the optimal non-incremental algorithm can be guaranteed.