社交网络作为一种互联网平台连接了海量的用户,为用户提供了丰富的服务,极大的方便了人们的日常生活。然而,用户使用社交网络产生的数据因为和个人生活关系密切,往往包含敏感信息。令人不安的是存在不可信的社交网络服务商,他们会将这些用户的敏感数据售卖给第三方以换取收益。更糟糕的是即使服务商在发布数据之前对数据做了添加噪声等扰动处理,攻击者依然可以利用技术手段对发布的社交网络数据发动隐私攻击。因此对社交网络中的敏感信息进行隐藏,以保护用户的隐私是亟需解决的问题。目前,已经有一些研究社交网络用户隐私保护的工作,但是这些工作并不完善,总的来说其缺陷可以归纳为以下三点:第一,在隐私风险评估方面,过去的工作忽略了用户之间的交互;第二,在隐私攻击方面,过去的工作未能充分利用全局信息发动隐私攻击;第三,在隐私保护方面,过去的工作缺乏对社交网络表征的隐私保护机制。本文围绕社交网络用户隐私保护问题,针对过去工作的不足,以隐私安全风险分析、隐私攻击方法研究、隐私保护机制设计为路线提出一系列模型和算法。本文的主要研究内容如下:（1）社交网络用户敏感数据交易建模。针对在数据交易建模中忽略了用户之间交互的问题,本文提出一种考虑到社交网络用户交互的社交网络敏感数据交易模型。该模型基于个体为本技术对用户面对隐私泄露的决策和用户交互行为进行建模,然后将用户群体行为的宏观统计结果整合进了由用户群、社交网络服务商、攻击者够成的三方博弈框,最后本文基于纳什讨价还价解理论,对社交网络服务商和攻击者在社交网络敏感数据交易中的行为进行了分析,求解出了不同情况下最终交易的敏感数据的质量和价格。此外,本文还通过实验对隐私数据交易结果进行了分析和验证,并利用分析的结果对社交网络用户隐私保护机制的设计提出了建议。（2）无种子社交网络用户去匿名化攻击技术。针对隐私攻击算法设计中未充分利用全局特征的问题,本文提出了一种基于对抗网络在全局上匹配两个社交网络隐表征以实现无种子社交网络去匿名化的技术。该技术首先使用图嵌入模型学习了匿名图和辅助图的隐表征,然后利用对抗学习将匿名图的隐表征整体迁移到辅助图隐表征所在的空间,并通过隐空间中嵌入向量的相似程度找到锚点对,最后利用找到的锚点对在图数据上进行传播去匿名化。大量的实验结果证明,本文提出的利用全局特征的无种子社交网络用户去匿名化方法显著优于基于局部特征的无种子方法,并与先前最先进的基于种子的方法效果相当。（3）防御推理攻击的社交网络图嵌入技术。针对在隐私保护机制设计中未考虑社交网络隐表征隐私保护的问题,本文分析了社交网络隐表征面临的隐私攻击威胁,并提出了分别保护属性隐私和连接隐私的两种反推理攻击社交网络图嵌入技术。首先本文分析了社交网络隐表征面临的隐私攻击风险。然后本文基与对抗学习设计了隐私解耦和隐私清除机制,这两种机制都可以独立地在社交网络嵌入过程中将属性敏感信息从隐表征中移除,随后本文将这两种机制整合到一个端到端的模型中,提出了一个保护属性隐私的图嵌入模型,最后本文沿袭隐私解耦机制的思路,针对社交网络连接隐私,设计了一种连接隐私保护图嵌入模型。在真实世界数据集上大量的实验结果显示,本文提出的两个模型所学习到的社交网络隐表征在保存了用户的效用信息的同时,也较好的保护了用户的隐私信息。