如今,社交网络服务成为了一项快速发展的业务,智能手机的发展进一步加快了社交网络的发展和应用。由于社交网络巨大的商业价值和对社会的巨大影响,目前社交网络吸引了越来越多学者的研究。为了保护用户的隐私,社交网络所有者和服务提供商通常在数据发布之前删除或修改个人身份信息(通过对节点之间边的增加或删除来实现),从而实现网络数据的匿名化。然而,在现实中,由于匿名化数据的同时需要保证数据的可用性,使得数据的大致结构特征依然保留,这种简单的数据匿名化很容易受到各种去匿名攻击而造成数据泄露,这为数据的隐私保护带来了新的挑战。匿名化和去匿名化在隐私保护领域一直都是相辅相成的关系,都推动着彼此共同发展。因此分析和研究目前社交网络数据保护技术的缺陷和漏洞对于社交网络的隐私保护同样极其重要,所以对社交网络图数据的去匿名化算法的研究有着重大的现实意义。现有的社交网络数据的去匿名化算法主要采用节点的结构特征作为度量,即根据节点的度的中心性、接近中心性、介数中心性等作为节点的拓扑结构特征,并以此作为节点间相似性的度量,从而实现对社交网络数据的去匿名化。这种方法有一定的不足之处,因为它只是简单利用了社交网络图的拓扑结构信息,所以节点的识别率不是很理想。也有一些其他的去匿名化方法,如基于节点度较高的节点对社交网络数据进行社团划分,然后利用社团检测实现节点的去匿名方法有较好的识别率,但问题是这种基于社团检测的去匿名化方法随着社交网络内节点数目的增多,由于时间复杂度等因素,计算量会逐步加大,特别是对于节点数在百万级别以上的数据集,其计算量明显高于其他的去匿名化算法,所以这种方法不适用于大规模网络数据集的去匿名化。针对以上的各种问题,本文提出了一种基于节点拓扑结构和属性行为特征的社交网络多特征去匿名化方案,即通过将社交网络内节点的拓扑结构和节点的某些公开属性和行为特征联合起来构建一个度量模型实现对社交网络内节点的去匿名化。除此之外,本文还提出了一种联合拓扑结构和行为特征的属性推理攻击,这种方法可以更高效地推断社交网络节点的属性信息。