子图模式匹配是图数据管理和计算中的一项基本操作,它主要包括子图同构和图模拟。子图同构要求子图与查询图有完全相同的结构特征和标签特征,因此它的计算复杂度很高。图模拟是针对子图同构的高时间复杂度所提出的一种新的子图模式匹配模型,国内外学者在图模拟的基础上又提出了多种图模拟扩展模型,包括双重模拟(Dual Simulation)、强模拟(Strong Simulation)、严格模拟(Strict Simulation)和严密模拟(Tight Simulation)等,以适应不同应用场景下的匹配查询。随着图数据规模的增大和云端平台管理技术的日益成熟,用户也愈加倾向于将大量图数据存储于云平台上。虽然当前的云服务平台可以提供数据存储平台和基础数据管理服务,但是云平台的安全性并不能得到保证,因此将重要图数据存储于云平台上会面临隐私泄露的安全隐患。本文对云端图数据匹配查询所面临的隐私泄露问题进行研究,提出了基于k-自同构的隐私保护基础框架。针对图数据的标签隐私,本文采用了标签泛化的方法,对数据图和模式图的顶点标签进行匿名化处理;针对图数据的结构隐私,本文采用了基于k-自同构模型的保护方法,利用k-自同构图的对称性保护数据图的结构隐私。为了提高匹配查询的时间效率,本文又对基础框架进行了优化,提出了优化的隐私保护框架,该框架设计了基于cost的标签泛化方法并只上传外包图(Outsourced Graph)到云端。这两个优化方法在一定程度上提高了子图匹配查询的时间效率。相较于传统的隐私保护方法,本文提出的框架适用于多种子图匹配模型。本文在多个真实数据集上对上述框架进行了评测,并同时在多个子图模式匹配模型上进行对比。实验结果表明本文提出的框架可以适用于多种子图模式匹配模型,并且能够有效地保护查询过程中的数据隐私。