随着移动互联网技术的快速发展,在线社会网络已成为现代生活的重要组成部分,并深刻地影响着人类的社会行为。分析社会网络可以帮助我们认识网络的拓扑结构,揭示社会网络演变规律,并对股票预测、疾病跟踪、舆情分析等具有重要意义。然而社会网络中蕴含着大量的用户隐私信息,直接对这些数据简单处理后用于数据挖掘研究,往往会造成用户的个人隐私泄漏。因此,数据发布中的隐私保护已经成为一个重要的研究领域。现有的隐私保护技术研究主要集中在单实例数据发布上,即单次数据发布。但是现实生活中数据具有动态演变性,不同时间节点发布的数据之间具有较强的关联性,因此社会网络的动态性使得单次数据发布的隐私保护方法不能完全保证隐私安全。如何满足动态社会网络的连续发布需求,并且能够避免不同发布数据之间造成的推断攻击,已经成为当今隐私保护领域一个重要的研究热点。下面具体介绍我们的主要工作。第一个工作,针对连续数据发布过程中存在的时间复杂度高,累计信息损失量大等问题,我们提出了一种基于匿名化进程重启的增量图匿名框架。该框架采用激活函数来决定哪个时刻匿名化进程需要被重启,保证了匿名过程中能够自适应地选择匿名策略从而达到理想的匿名化效果;然后基于所提出的增量匿名框架,将社会网络抽象成简单图,针对动态发布场景存在的度跟踪攻击,我们提出了一种高效的增量简单图匿名算法,并从简单图的属性特征上验证了所提出的算法在保证隐私性的同时提供了较高的数据可用性,也验证了匿名框架在匿名化进程重启后减少了累计信息损失,提高了匿名化后的数据可用性。第二个工作,基于第一个工作所提出的增量匿名框架,首先将社会网络抽象成加权图,然后在动态加权图数据发布场景中提出一种权重包追踪攻击的攻击模型,针对该攻击模型我们提出了一种高效的增量加权图匿名算法,并从加权图的属性统计特征上验证了所提出的算法在保证隐私性的同时提供了较高的数据可用性,同时也验证了我们的匿名框架达到了数据隐私性与可用性两方面之间的良好平衡。