近年来,互联网和移动通信技术的发展日新月异,在线社交网络（OSN）的引入改变了人们相互联系和互动以及共享信息的方式,导致了以网络为中心的数据大爆炸,这些数据可以被收集以更好地利用,如个人或群体的社会学和行为学方面。因此,在线社交网络服务运营商被迫公布社交网络数据,以供诸如研究人员和广告商之类的第三方消费者使用。由于社交网络数据发布易受各种重识别和泄露攻击,开发隐私保护机制是一个活跃的研究领域,不仅要实现社交网络图结构数据的安全发布共享,而且还不能影响社交网络分析的数据可用性。目前的研究主要集中在以统计方式通过常规匿名技术的组合发布扰动的社交网络数据,而没有考虑全局图结构信息。本文结合差分隐私和生成对抗网,发布社交网络数据的生成版本。生成对抗网及其扩展使用两个玩家的最小-最大游戏,用于生成具有不可区分特征的合成数据,而差分隐私以不同的隐私方式满足隐私约束,两者的结合实现了隐私保护和数据效用之间的折中。本文的主要工作如下:（1）针对社交网络服务提供商发布数据时所存在的敏感信息泄露问题,本文基于生成对抗网络,提出了一种保护社交网络数据隐私安全的方法（GPGAN）。首先,使用GAN作为机器学习模型捕获网络结构特征,并通过设计奖励函数指引建立包含关键信息的随机游走。随后,设计了基于游走样本的匿名图构建算法,可以利用添加差分隐私信息得到的匿名概率邻接矩阵来重建社交网络图。实验结果显示,与其他图生成方法比较,该模型更具备了优秀的图结构学习能力。而通过度量评估实验,证明了GPGAN可以通过合理的隐私预算保持所需的数据效用,最后与传统的K匿名和差分隐私方法相比,表明了本文方法在权衡数据效用和隐私保护方面的优越性。（2）针对应用于社交网络中的基于差分隐私的GAN模型优化问题,提出了基于Net GAN的差分私有图发布模型（Priv-Net GAN）,实现了生成高质量图结构数据的同时保证所需的隐私安全目的。首先,在Priv-Net GAN模型中,将精心设计的噪声与训练梯度相结合,以扰乱原始数据的分布,并在理论证明了该模型符合（ε,δ）-差分隐私。其次,训练中使用了判别器优化器,实现了梯度估计和裁剪,控制了隐私级别,显著提高了模型的稳定性。最后,通过在三个真实数据集上的实验,评估了Priv-Net GAN模型。结果表明,在合理的隐私预算下,Priv-Net GAN可以生成隐私得到充分保护的高质量数据,通过对比同类差分私有图验证了Priv-Net GAN模型的隐私保护效果;通过常用的图统计指标来比较生成图和原始图的数据效用,证明了Priv-Net GAN生成了高质量的社交网络数据。