社交网络正渗透到国家安全、经济发展和社会生活等各个方面,其沉淀海量数据的价值逐步显现,围绕社交网络数据的挖掘和保护算法的研究和应用也越来越被人们所重视。相比于传统Web,社交网络的数据种类繁多,非结构化数据占比大,数据的计算、存储和传输方式更加复杂,为面向社交网络的数据挖掘很难做到实时性、准确性和适用性;另外社交网络用户隐私数据丢失严重,急需保护。针对上述问题,本文开展了面向社交网络的数据挖掘与保护关键技术的研究和优化工作,具体进行了如下四个方面的研究:1.针对社交网络用户行为属性数据挖掘算法的准确性问题,提出了一种关联规则数据聚类的用户行为属性数据挖掘方法。该方法通过分析社交网络数据存储机制,构建了社交网络数据分布模型和时间序列拟合模型;通过信息过滤算法对社交网络中的干扰信息和冗余信息进行了过滤;利用关联规则特征提取和模糊数据聚类技术,实现了社交网络中的用户行为属性数据挖掘与聚类。实验表明,该算法具有较高的精度和可信度,提高了社区发现能力,在社交网络推荐方面具有良好的应用价值。2.针对社交网络热点和敏感数据挖掘算法的实时性问题,提出了一种高阶谱特征模糊神经网络的实时社交网络数据挖掘方法。构建了社交网络数据的传输通道模型和统计时间序列模型,去除了冗余信息流并进行了再处理;对冗余过滤后的社交网络数据进行了高阶谱特征提取和基于模糊神经网络的融合聚类分析;在上述工作基础上,对数据挖掘模型进行了改进设计,实现社交网络数据的最优挖掘。仿真结果表明,该方法具有实时性好、挖掘精度高等优点。3.针对云环境下社交网络多媒体数据挖掘算法的适用性问题,提出了一种基于结构动态优化BP神经网络的空间网络分布式数据挖掘算法。在构建空间网络数据和分析数据结构的基础上,通过时频特征提取对海量数据进行了冗余数据压缩;结合自适应匹配滤波方法对数据进行了特征匹配,采用空间谱特征提取方法定位了多输入多输出空间网络数据的特征,采用四阶累积切片对时间序列数据进行了重组;为了提高数据挖掘的精度,利用结构动态优化BP神经网络对提取的数据特征进行分类识别,实现数据挖掘优化。仿真结果表明,该方法具有较好的挖掘精度和挖掘过程的收敛性,具有较好的实际应用价值。4.针对社交网络用户属性数据安全保护以及保护算法对数据挖掘算法性能影响的问题,提出了一种基于动态循环加密和链路均衡配置的社交网络数据保护算法。构建了社交网络的体系结构模型和路由控制协议,采用了子密钥随机调幅方法来构建社交网络数据加密密钥,采用了动态循环加密算法对数据进行加密和传输,采用了链路均衡配置方法对社交网络的数据输出进行自适应均衡调度。实验表明该方法具有良好的加密能力,提高了数据的存储和传输能力。