伴随整个互联网产业的不断升级,新的智能设备以及软件不断发展,使企业积累了大量应用数据。数据挖掘中,许多数据可以抽象成图数据,使用图（网）等方法来表达现实关系,有着直接、自然等特征,图数据库能够较为高效地插入和查询关联数据,便于后续的建模工作。企业需要对这些数据进行共享或者交由第三方数据分析公司对数据进行分析,挖掘数据的潜在信息特征,方便企业更好地开发产品。然而,直接使用这些数据会造成网络图中用户不愿意透漏的敏感信息泄露,对企业和用户都会造成损失,因此在发布前需要进行一定的隐私保护。因此,数据共享和挖掘中保护用户敏感信息逐渐被人们所重视,成为各界普遍关注的热点问题。差分隐私是一种能够对抗背景知识的攻击,具备较为理想的隐私保护效果的模型,逐渐被用到图数据的发布领域中。本文将重点研究网络图数据统计特征在发布过程中的安全问题,针对三角计数发布中投影算法图结构信息丢失严重和发布数据误差过大的问题以及动态图发布中,需对每个时刻的度直方图分配隐私预算且在直方图发布中累积噪声过大的问题展开研究,利用差分隐私模型保护网络图中用户的隐私。主要研究内容如下:1.研究网络图中点差分隐私约束下的节点三角计数发布问题,针对发布算法敏感度高和图投影过程全局结构发生较大变化这一问题。提出了一种基于图全局结构特征的图投影算法,该方法参考节点的紧密中心度和间接中心度,在图投影的过程中保留了原图的结构信息的同时降低了全局敏感度,保留了更多的三角形;在直方图发布阶段,进一步提出了一种基于k-means聚类分组的直方图发布机制,采用统计学中直方图分组的思想确定k-means聚类中的k,并且在研究中选择初始聚类中心,尽可能规避k-means对于初期的簇中心敏感。根据理论分析与仿真实验得出,当前设计的图投影能够保留较多的三角形,直方图发布算法在隐私保护强度较高时,L1误差和KS误差较小,在符合差分隐私定义的基础上提升了数据可用性。2.研究点差分隐私约束下节点度的持续发布问题,设计以点差分隐私为基础的动态图数据发布方案。该算法首先将动态图数据抽象成增量图数据,针对增量图数据随时间不断增加这一问题,提出了增量-投影算法来对增量图序列进行投影,降低直方图发布的敏感度,另经增量-投影算法得到的压缩图序列仍然是一个增量序列,避免了动态发布过程中隐私预算的分配;在直方图发布阶段,依靠层次聚类对直方图序列的差分序列进行分组,有效的减少了累积噪声。通过理论分析与仿真实验得出:本文研究的算法在图投影过程能够保留较多的边,在相同的隐私保护强度下,减小了发布直方图和原始直方图间的误差,在符合差分隐私定义的基础上提升了数据可用性。