随着在线社交网站空间规模的快速扩张,现实世界的社交网络很自然地就进入了动态网络领域。动态网络是一种特殊结构的演化复杂图,其中的变化随着时间的推移而频繁呈现,一方面会对网络的局部结构造成必然的影响,另一方面,一段时间内的动态演化可能导致整个社区结构的重大转变。识别动态社交网络的社区结构,不仅为开发有效的社区感知解决方案提供独到的见解,而且还有望实现广泛的应用程序,例如移动自组网（MANETs）中的路由策略和在线社交网络中的蠕虫控制。但伴随着社交网络结构的挖掘,大量个体的位置、兴趣或其他个人数据等隐私信息也被泄露。如今大多数社区发现隐私保护的应用研究都偏重于静态社交网络,并没有考虑社交网络的动态演化特征。目前,由于动态社交网络隐私保护的大多数方法没有考虑网络拓扑和节点之间的相似性,很容易受到第三方的攻击,难以确保挖掘数据的效用性。而差分隐私保护模型为隐私泄露提供了严格的数学理论支持和定量的风险表示形式,极大地保护了网络数据的隐私安全,通过运用差分隐私技术将有助于解决动态社交网络实现社区发现过程中存在的隐私信息泄露问题。依据社区演化结构的多模式性,以及网络子图的分割,并结合差分隐私技术分别设计实现基于动态社交网络的社区发现算法,所完成的主要工作如下:（1）针对局部高阶子图在实现聚类划分过程中存在的子图信息泄露问题,结合差分隐私技术提出基于局部高阶子图的隐私保护社区发现算法,局部高阶子图的多模式性有效反映了社交网络结构的特征。首先,构建时序网络主题序列,对δ-时间戳范围内主题邻接矩阵的变化量分配隐私预算进行干扰;其次,运用近似个性化页面排名算法对扰动后的邻接矩阵进行随机游走,执行扫描操作输出带有最小主题的电导,为社交节点进行聚类划分,实现非重叠社交个体的聚簇。（2）针对动态社交网络实现重叠社区划分忽略网络拓扑和节点之间相似性的问题,提出基于偏好学习的隐私保护社区发现算法。依据动态社交网络结构演化的不确定性,为节点偏好度分配演化参数使节点根据偏好度的优先关系选择标签进行迭代更新。为避免节点标签在传播过程中隐私信息的泄露问题,对迭代过程中节点的偏好度添加拉普拉斯噪声进行干扰,使其在有效实现重叠社区检测的同时,为节点标签提供较好的隐私保护效果。（3）为验证重叠、非重叠社区划分算法的效用性,分别进行了时间复杂度、隐私性以及算法效用性等理论分析。通过对比实验、形式化证明验证了所提出的两种算法均可满足差分隐私定义且具有较优的效用性;同时,运用扩展互信息函数、F-度量、主题电导、模块度等常用的社区发现评估指标在真实社交网络数据集上进行验证,实验结果表明,两种算法在实现高效挖掘动态社区结构的同时,可为社交个体的隐私信息提供了较好的保护效果。