（我不知道用什么来标记它，因为我不是统计学家，也不知道它属于哪个领域。随意添加更合适的标签。）

我在一家生产数据分析软件的公司工作，我们需要一套不错的数据来测试和演示我们的最新产品。我们不能只用随机数生成器的输出填充数据库，因为程序的输出会变得毫无意义。获取此类数据的最简单方法之一是从客户端获取；我们有大量来自我们进行的试验的数据。现在，显然我们不能发布客户的实际数据，所以我们需要对其进行一些修改，但我们仍然需要它像真实数据一样表现。

这里的目的是获取他们的数据集，并对其应用“模糊”，这样就不会被识别为他们的特定数据。我对统计理论的记忆本身就有点模糊，所以我想由你们来运行这个：

从本质上讲，我们（来自客户）拥有的数据本身就是（在国家或世界）存在的所有数据的样本。我想知道的是，可以应用什么类型的操作来使样本不再强烈代表客户的样本总体，同时仍使其大致代表世界人口。

作为参考，据我们所知，我们拥有的数据通常遵循粗略的正态（高斯）分布。

原始数据集并未广泛使用，但理论上可以从一些特定区域的特征中识别出来（我们不知道这些特征是什么，是否有人做到了足够的水平值得怀疑，但我们知道各地存在差异放置）。无论如何，我对此理论比实践更感兴趣 - 我想知道一个操作是否使通过参数 X 识别源数据集变得不可能（或至少难以），无论是否有人已经或可以解决首先是参数 X。

我想出的方法是将读数分成各种类型，（不给出太多信息，假设一个组可能是“长度”或“做 X 所花费的时间”。）对于其中的每一个，计算标准差。然后，对于每个值，在 (n * stddev) 的正值和负值之间添加一个随机值，其中 n 是我可以用来调整结果的某个分数，直到数据充分“模糊化”。我不想简单地应用一个静态范围（例如，在原始值的 90% 和 110% 之间随机），因为某些值的变化比其他值大得多或小得多 - 在某些测量中，超过平均值 10% 几乎不明显，但在其他情况下，它会让你成为一个严重的异常值。

这足以掩盖原始数据的来源吗？如果不是，通过哪些统计措施仍然可以识别数据，我将如何掩盖这些，同时仍然保持结果数据模糊真实？