近年来,随着互联网技术的蓬勃发展,社交网络软件也越来越流行,如微博微信和Facebook等,这些社交网络应用为人们提供了方便的沟通平台,同时也产生了大量的有关用户的信息。这些信息具有广泛的用途,如进行广告投放、商品推荐和社会行为预测等。社会网络数据中包含大量的敏感信息,包括个人的属性信息(比如职业,薪酬等),个人的行为信息(比如个人的社交关系等),这些信息如果不进行处理就发布共享,有可能会侵犯用户的隐私。因此,社会网络数据发布的隐私保护问题成为众多研究者关注的热点。现有工作主要关注静态网络分析,但是很多应用涉及到网络的动态发展变化。与静态网络不同,面向动态网络数据的隐私保护提出了更高要求,它不仅是要保证某一时刻的数据满足匿名要求,还要保证多次发布隐私信息的安全,因为不同时刻之间的数据还存在内在的关联关系,攻击者可通过先后时刻发布的数据进行比对而获得更多的隐私信息。综上所述,现有的面向静态社会网络分析的隐私保护方法已不适用于动态发布的隐私保护。本文针对以上问题,提出了在社会网络动态发布中防止标签邻居攻击的隐私保护模型。主要的研究工作如下:首先,通过对社会网络动态发布中隐私保护方法的现状进行分析,指出了社会网络动态发布中的隐私泄露问题,并对现有用来解决社会网络动态发布中的隐私问题的隐私保护方法进行分析,发现其中存在的不足:1)现有的带敏感标签的个体的分组方法都是根据邻居标签相似度,没有考虑社会网络中的邻居结构信息,在对带敏感标签的个体的标签-邻居图进行模糊化处理的时候,使得社会网络图添加了很多噪声边,影响数据的可用性;2)虽然每次发布的社会网络都满足社会网络隐私保护的需求,但是攻击者仍然可以根据背景知识将多次发布的社会网络图进行关联分析,就可能唯一识别带敏感信息的个体;3)如果对整个图进行模糊化方法处理的话,不利于对数据进行分析,很多不需要保护的个体也进行了随机化处理,使得原有的社会网络结构信息损失增大,降低了数据的可用性。其次,针对社会网络动态发布的防止标签邻居攻击的隐私问题,本文提出了dynamic-l-diversity隐私保护模型。并对以下问题进行研究:1.针对现有分组方法中只考虑邻居标签信息,并未考虑原始社会网络中节点的邻居结构信息的问题,本文提出一种根据结构相似度对带敏感标签的个体进行分组的方法。2.针对通过比对动态发布中节点的标签邻居信息就能唯一识别带敏感标签个体的问题,本文提出在动态发布的社会网络中满足l-多样性的匿名方法。本文首先采用随机扰乱的方法来改变图结构,接着,随机添加删除边,然后采用仅对带敏感标签个体的邻居图进行随机化处理的方法,对社会网络图进行模糊化处理,使得每条边都有相应的概率存在于社会网络,同时使攻击者唯一识别带敏感标签的个体的概率不高于1/l0除此之外,本文仅对带敏感标签的个体进行保护,减少了不确定图的数量,提高了数据的可用性。最后,基于本文的动态网络中防止标签邻居攻击的隐私保护方法,提出了详细的、系统的设计方案。本文使用了三种评价指标,分别是平均度数、聚类系数、结构熵。评价结果表明,本文的社会网络动态发布中的隐私保护方法可以保留网络结构的属性特征,同时保证了个体的隐私信息的安全。