近些年来,随着网络的普及,互联网已经进入到人类生活的方方面面。尤其是Web2.0的兴起,使得各种社会网站如雨后春笋般迅速涌现。由于用户数量巨大,人们可以在网络上轻易获取大量的个人信息,如果不正确使用这些信息的话,可能对个人隐私和信息安全构成严重威胁。因此,网络用户的个人隐私是否得到安全保障显得至关重要。本文在深入研究已有的研究成果的基础上,提出了一种基于贪心算法的社会网络隐私保护方法(GSNPP,Greedy for Social Network Privacy-Preserving),该方法主要进行了以下几个方面的探讨：1、通过改进已有的社会网络隐私保护方法,建立了一种社会网络隐私保护模型。该模型采用将个体的数据属性和与之相关的结构属性相结合的方式,对社会网络进行匿名化处理。2、采用GSNPP算法对社会网络中节点进行聚类划分。该算法解决了在社会网络节点聚类划分过程中的节点选取问题,并且量化了匿名化处理所带来的不同类型信息的丢失量。其聚类划分原则为：(1)满足所选节点与簇中节点之间相异度相对最小；(2)满足所选节点在泛化过程中造成的信息丢失量相对最少；(3)使聚类生成的每个簇满足k-匿名原则,即至少应包含k个节点。3、提出了一种个性化的隐私保护方法。它引入一个数据属性信息与结构属性信息的重要性权重参数,以便在匿名化过程中,根据用户对不同属性信息的重要性需求不同,灵活设置重要性权重参数,从而平衡不同属性信息的匿名化程度,以实现个性化的隐私保护。4、通过仿真实验,验证了该方法的合理性和有效性。