社会网络蕴含了社会成员之间的交互关系,这种交互关系构成社会网络的结构以及属性。社会网络作为互联网背景下的新型应用模式,其具有动态性特征。社会网络的交互关系中包含大量的个人隐私信息,在分析挖掘的发布过程中,会造成用户个人隐私信息的泄露。如何对社会网络数据发布进行有效的隐私保护在信息安全领域中具有深远的理论意义和实用价值。针对社会网络数据发布中的隐私保护问题展开了研究,主要工作如下:(1)针对静态社会网络数据发布中的隐私保护问题,设计了一种基于马尔科夫算法并且满足ε-差分隐私的社会网络数据发布隐私保护方法(MCL Differential Privacy Algorithm,MDPA)。首先,构建了适应社会网络图特征的差分隐私保护模型;其次,应用马尔科夫聚类算法,对社会网络图进行聚类,生成边权重信息三元组函数;最后,通过向完成聚类的节点所在边的权重中,注入服从拉普拉斯分布的噪声,生成隐私保护后的社会网络图。(2)针对动态社会网络数据发布中的隐私保护问题,对静态社会网络数据发布中隐私保护算法进行改进,设计了满足ε-差分隐私的动态社会网络数据发布隐私保护方法(Dynamic Differential Privacy Algorithm,DDPA)。首先,识别随着社会网络图的动态变化而发生变化的边权重信息,包括增加边以及修改边的权重信息,构成三元组函数;其次,添加满足ε的隐私保护预算,构建ε-权重向量;最后,生成隐私保护后的社会网络数据发布图。(3)对上述两个方面的问题进行仿真实验,实验结果表明,MDPA算法满足用户在社会网络中的差分隐私要求,并提高了数据效用性;DDPA算法适应了社会网络的动态性特征,大大提高了算法的执行效率,并保证了权重信息损失率的降低。