随着信息技术的快速发展,社会网络的数据量变得越来越大。因为社会网络中含有非常多的有价值的信息,所以现在对于社会网络中的数据进行数据挖掘方式越来越多。社会网络中含有大量用户的个人信息,如果使用社会网络中的数据的方式不正确,会导致用户的隐私数据的泄露,危害个人信息安全。为了达到保护社会网络中个人隐私数据安全的目的,现阶段已经提出了许多关于社会网络隐私保护的成熟的技术及研究成果。云平台作为存储和处理分析大规模社会网络数据的工具逐渐变为主流,为了解决大规模社会网络子图匹配隐私保护问题,提出了分布式K-自同构社会网络隐私保护算法,保护上传至云平台的社会网络图的结构隐私。通过结点间传递标记信息的方式添加噪声边,使原始图匿名为具有K个对称子图的K-自同构社会网络图。并提出分布式的子图匹配方法对上传图进行子图匹配,根据搜索图中结点的选择性对搜索图进行分解得到搜索分解子图;在每个计算结点内进行分布并行的子图匹配得到搜索分解子图匹配结果,将结果连接后得到关于搜索图的匹配结果;在客户端中根据K-自同构社会网络图的对称性和K自同构函数对得到的子图匹配结果进行恢复和过滤得到正确匹配结果。因为云环境中数据的不断的更新,所以子图匹配结果会随时发生改变。如果图数据每更新一次就重新进行一次子图匹配操作,会浪费大量的时间成本。针对这种情况,提出基于增量方法的子图匹配隐私保护技术。该方法添加两种辅助数据结构:匹配集和候选集,通过利用辅助数据结构,简化匹配操作,达到节省匹配时间的目的。搭建分布式图处理平台GraphEngine,在分布式图处理平台上分别实现以上提出的方法,并采用真实数据集roadNet-CA和roadNet-PA对以上两种方法的执行效率和空间成本进行实验。实验结果表明分布式K-自同构社会网络隐私保护算法提高了处理大规模图数据的效率同时提高了子图匹配的匹配效率并保证了匹配结果的正确率;基于增量方法的子图匹配方法提高了在动态社会网络情况下子图匹配的效率。