随着互联网的快速发展，社交网络越来越流行，用户在社交网络上与结识的朋友进行交流。社交网络中的海量信息使得用户难以快速找到想要结交的朋友，链路预测是实现好友推荐的关键技术。链路预测过程需要使用用户的信息，其中包含大量敏感隐私信息，存在严重的用户隐私泄漏隐患。链路预测的隐私保护成为当前的研究热点。　　目前隐私保护机制仅仅适用于基于PointWise的链路预测，然而现实的社交网络大多采用基于PairWise的链路预测进行好友推荐。大多数已有的链路预测隐私保护机制允许服务商完全掌握用户信息，其主要目标是防御恶意用户推测其他用户的敏感隐私信息，但忽略了服务商的不可信问题。此外，有些机制虽然考虑了不可信的服务商，但允许朋友访问用户的全部信息，忽略了朋友的不可信问题。更糟糕的是，为了吸引更多共同兴趣的朋友用户，用户会在社交网络公开部分非隐私信息，攻击者能通过重构攻击利用这些信息反推出用户的隐私信息。　　本文针对基于PairWise的链路预测方法，提出了一种可应对不可信服务商和不可信朋友的轻量级隐私保护机制PairPriv。　　为应对不可信服务商和不可信朋友，避免集中式链路预测中服务商和朋友能够完全掌握用户的所有信息的弊端，PairPriv机制采用了半集中式链路预测框架，由用户与服务商共同合作完成整个推荐过程，使得服务商由能够访问用户的全部链路变为只能访问用户的非敏感链路和被关注隐特征矩阵，用户可以本地访问个人的关注隐特征向量和朋友的公开数据。　　为降低计算复杂度且能够抵御重构攻击，PairPriv机制采用差分隐私的方法为敏感链路和非敏感链路添加不同强度的噪声干扰，将噪声干扰分解为每个用户可独立处理的分量，每个用户可在本地调节噪声大小，以平衡噪声干扰与推荐准确度，保证敏感链路不被反推。　　最后，理论证明了本文提出的PairPriv机制满足ε-差分隐私。基于真实数据集的实验结果表明，PairPriv能够实现隐私保护和链路预测准确性之间的有效平衡。