随着Facebook、QQ、微信等社交软件的普及,给人们的生活带来了极大的便利。通常将社交软件形成的关系网称之为社交网络,它是人们之间建立联系的一种方式。同时很多人在用社交软件进行交友聊天时,这些软件会记录用户大量的个人信息。因此,人们在享受这种便利的时候,个人的部分隐私信息也会泄露。近年来,研究者提出了很多隐私保护方法,如基于加密、匿名、数据失真等,目前最常用的是基于数据失真的方法,而其主要是通过添加噪声实现隐私保护,但这种方法不能完全实现社交网络的隐私保护,仍会出现很多的隐私泄露问题,如成千上万的网络诈骗电话。因此,除了设计更好的隐私保护方法外,如何说明这些隐私保护方法的效果也是目前研究的热点问题。通常将社交网络抽象成图进行研究,针对图数据,国内外研究者提出了不同的通过加噪实现的隐私保护方法,但也有研究者从相反的方向出发考虑隐私保护后的效果。由于社交网络隐私分析方法与隐私攻击方法十分相似,因此本文主要借鉴社交网络隐私攻击的方法研究社交网络的图数据隐私分析方法。一方面,加入一定的背景知识,利用贝叶斯推理的方法,解决如何识别社交网络中的某个个体的问题;另一方面,在不考虑背景知识的前提下,借鉴图像处理中的去噪方法,选择能够自动抑制噪声的维纳滤波方法,解决如何分析整个社交网络的问题。本文的主要工作如下:(1)总结了社交网络的图隐私分析过程,并归纳了目前现有的社交网络隐私攻击及隐私保护方法。另外,对常见的图隐私攻击方法进行总结,并将隐私攻击方法与隐私分析方法进行了详细的对比。(2)提出了一种基于贝叶斯的单节点识别的图隐私分析方法。针对识别社交网络中的单个节点,利用贝叶斯推理,设计了一种基于贝叶斯推理的隐私分析模型,并在该模型下提出了基于贝叶斯的图隐私分析算法PABR(Privacy Analysis based on Bayesian Reasoning),通过数据验证发现,设计的贝叶斯方法能够以一定的概率识别该节点,最后将该算法与具有同样背景知识的方法进行比较,发现PABR算法的识别率高于其他方法,但现实中更多的是关注整个社交网络,该算法仅研究了单个节点,未对整个社交网络进行分析。(3)提出了一种基于维纳滤波去噪的图隐私分析方法。为了对整个社交网络进行分析,借鉴图像处理中去除噪声的方法——滤波,选择能够自动抑制噪声的维纳滤波方法,提出了一种基于滤波的图隐私分析模型,并且在该模型下设计了基于滤波的图隐私分析算法GPAF(Graph Privacy Analysis based on Filtering),最后采用节点,边,平均度(AD),平均聚集系数(ACC),介数中心性(BC)和度分布作为度量指标进行分析统计数据,实验结果发现,算法的度量指标与原始图数据比较相似,说明该方法能够去除发布图中的部分噪声,也为隐私保护的研究提供了理论性的指导。