在日常生活中许多复杂系统都可以抽象为网络或者图,即由节点和边组成的数据结构,例如社交网络、生物网络、电子商务网络等。随着对网络性质的深入研究,人们发现许多实际网络都具有一个共同特点,即整个网络由若干个内部节点连接紧密外部节点连接稀疏的团体组成,这些团体一般被称为社区。社区发现是网络分析中的一项重要任务,主要目的是发掘网络中的社区,它有助于洞察网络的组成结构。良好的社区检测算法可以发现网络中真实的社区结构,给企业或组织带来巨大的益处,如构建推荐系统等。然而,社区本身包含了丰富的个人与团体的隐私信息,越来越精良的社区检测算法引发了人们对隐私泄露的担忧,社区隐藏问题也因此被提上日程。社区隐藏一般被表述为向网络中添加“不可见的扰动”（添加或删除少量链接）后,使得社区检测算法的性能显著下降或失效。当前,在众多社区隐藏研究中,针对全局的社区隐藏效果并不理想,并且没有体现网络的生成机制。为此,本文将基于向网络中添加尽可能少的扰动使得主流社区检测算法性能下降最大这一准则来开展研究工作,主要内容如下:（1）提出一个基于遗传算法并以归一化互信息（NMI）为适应度函数的社区隐藏算法。该算法通过引入添加了先验信息的基因池,以最小化NMI值为目标,保证了被攻击后网络中社区成员的分布与原始网络尽可能不同,实现了良好的社区隐藏效果。通过与多个基线算法对比,该算法在多个评价指标上达到了最优。并且根据可视化攻击结果,证明该算法能够实现间接攻击,充分体现了攻击的隐蔽性。此外,在进一步进行可移植性检验中,发现该算法在特定的社区检测算法上得到的对抗网络在推广到其他社区检测算法时,也表现出了良好的隐藏效果。（2）提出了一个基于图自编码器的社区隐藏模型。图自编码器作为一种生成模型可以反映网络的生成过程,显示节点之间的连接强弱,包含更为丰富的信息,这更有助于人们了解网络的潜在特征。该模型在分析社区检测算法和图神经网络本质的基础上,通过观察图自编码器生成社区的过程,选择对社区结构影响最大的链接进行重连,实现了对现有主流的社区检测算法的攻击,大大降低了社区检测结果的准确性。通过在多个真实数据集上进行实验,验证了本文提出的方法能够在仅改变极少链接的情况下,极大地降低大部分主流社区检测算法的准确性,扩充了社区隐藏算法的体系并且有效地实现了对个人和团体的隐私保护,同时也为设计更加鲁棒的高效社区发现算法提供了新的研究思路。