随着互联网技术的发展和智能终端的普及,人们利用互联网进行交互的需求逐年增加,在线社交深入到了人们的生活,以微博与微信为代表的软件以其便利性与社交性被广泛使用。然而,社交网络的使用也面临着一些安全风险:社交网络数据的拥有者出于提高服务水平、制定服务战略等目的,会将数据发布给第三方进行合作分析,这可能会带来一些问题:一方面,社交网络数据包含着用户的使用习惯、爱好倾向等敏感信息,如果在发布社交网络数据前不进行脱敏处理,可能会造成严重的隐私泄露问题。另一方面,满足数据的安全性意味着噪声的引入,如何尽可能地保留更多图数据信息,实现数据安全性与可用性的平衡,也成为社交网络图安全的重点研究内容。针对上述问题,本文设计出了以节点度为隐私保护对象,以图的邻接矩阵最大特征值为数据可用性保护对象的社交网络图隐私保护方案。该方案首先将最大特征值这一与研究网络中的传播紧密相关的社交网络图谱属性作为保护对象,提出针对该属性进行保护的边选择方法,然后,结合单变量微聚集与社区划分等工作,设计出基于最大特征值的社交网络图隐私保护方案,实现了社交网络图隐私保护工作的安全性与数据可用性平衡。具体的研究工作如下:首先,本文选择最大特征值作为研究对象,利用其与社交网络信息传播紧密关联的图谱特性,聚焦社交网络的最大特征值对保护网络的流通性,提出了一种时间复杂度低、能衡量不同边对社交网络图最大特征值影响的标准——“度影响力”。本文通过在真实社交网络数据集进行实验,验证该衡量标准的有效性,并根据不同网络拓扑模型动态生成数据集,以探究不同网络参数变化对衡量标准的影响。真实社交网络数据集上实验结果显示,本文提出的边衡量方法与前人的方法相比,对最大特征值变化的表征能力更强。在动态生成的数据集中,实验结果显示本文的标准在不同的网络参数下,对最大特征值的衡量效果更为贴合、稳定。第二,本文提出基于k-度匿名模型的社交网络图隐私保护方案。该方案假设敌手的背景知识为节点度信息,利用图修改方式实现了社交网络图的度隐私保护,利用单变量微聚集的思想,从全局角度考虑社交网络图节点度序列的匿名处理,相比于传统k-匿名技术处理社交网络图度序列的方法,降低了信息损失;其次,方案利用社区划分算法对社区进行分块,在社区结构方面有针对性地对方案进行优化;同时,加入基于最大特征值的边选择方法,实现了社交网络图的数据隐私性与可用性平衡。最后,方案与多种同类型保护方案在真实数据集上进行比较,实验结果表明,本方案在保护社交网络数据安全的同时,更有效地保护了最大特征值属性。