社交网络是人们在日常生活中的必不可少的一部分,彼此之间可以分享信息。因此,在社交网站中用户隐私信息的保护问题是不容忽视的。社会网络中包含着大量的用户信息,传统的隐私保护方法已经不能很好的保护这些数据,所以这方面的研究成为了大家关注的焦点。通过对目前已有社会网络隐私保护方法进行深入细致的研究后,发现隐私保护方法的核心是寻求隐私保护度和数据可用性之间的平衡,这是因为二者的关系很特殊,如果实现了隐私保护度的提高就必然会降低数据可用性,反之亦然。针对社会网络会泄露用户隐私信息这一问题,提出一种基于扰动矩阵的社会网络隐私保护算法-PMA(Perturbation Matrix Algorithm)。该算法主要有三个步骤:首先对原始数据集中的数据进行分类,相同性质的数据分为一类;其次根据社会网络中数据的特性可以采用图的形式来对其进行建模,对建模形成社会网络图,再进行朴素匿名化的操作;然后根据图论的知识进行分析,找出选择边的扰动约束条件,并提出保护隐私数据的扰动方案,根据这些方案设计算法。通过隐私保护度的分析,应用该算法产生的新的社会网络图不但可以很好的保护用户的隐私信息,并可以阻止子图攻击。最后,本文通过实验对提出的算法进行验证,并对实验结果进行对比分析。结果表明PMA算法具有一定的优越性、实用性及应用价值,并讨论了今后进一步改进的方向。