En el mundo moderno de la digitalización, el crecimiento, la agregación y el intercambio de datos han aumentado drásticamente. Los usuarios comparten grandes cantidades de datos debido a la amplia adopción de Internet de las cosas (IoT) y dispositivos inteligentes basados en la nube. Dichos datos podrían contener atributos confidenciales sobre varios individuos. Por lo tanto, la preservación de la privacidad se ha convertido en una preocupación importante. Muchos modelos de publicación de datos que preservan la privacidad se han propuesto para garantizar el intercambio de datos sin revelar la privacidad. Sin embargo, publicar datos de alta dimensionalidad con suficiente privacidad sigue siendo una tarea desafiante y se ha prestado muy poca atención a proponer soluciones óptimas de privacidad para datos de alta dimensionalidad. En este documento, proponemos un modelo novedoso de preservación de la privacidad para anonimizar datos de alta dimensionalidad (propensos a varios ataques de privacidad, incluidos los probabilísticos, la sesgo y específicos de género). Nuestro modelo propuesto es una combinación de -diversidad junto con rebanado restringido y división vertical. El modelo propuesto puede proteger los ataques mencionados anteriormente con una pérdida mínima de información. Los extensos experimentos en conjuntos de datos del mundo real respaldan el rendimiento superior de nuestro modelo propuesto entre sus contrapartes.