随着网络应用的繁荣、智能设备的普及以及数据采集技术的发展,网络空间中的数据量爆发式地增长,从而形成了海量的网络数据。网络数据作为大数据的主要表现形式之一,广泛存在于社交网络、智慧城市、医疗健康、金融等各个领域,且呈现出高维度、非线性、无标度、小世界等特征。网络数据为科学研究和商业应用提供了充分的数据资源,通过网络数据挖掘发现背后蕴藏的知识和规律能够为社会和经济发展发挥重要作用。然而,网络数据挖掘在发现数据内在价值的同时,也伴随着数据隐私信息泄露的风险。因此,在对网络数据进行共享和利用的同时,如何根据网络数据的特征有效保护蕴含的隐私信息对数字化、智能化社会的构建具有重大意义。目前,国内外关于网络数据隐私保护的研究已经取得了一定成果,但对网络数据中敏感结构关系的隐私保护问题关注较少。当前网络中敏感结构关系的隐私保护大多仅仅采用结构扰动的方法来实现,缺乏对网络数据结构模式的挖掘和利用。因此,本文立足于网络数据敏感结构关系的隐私保护问题。首先,从网络推理重构的角度出发,通过链路预测进行匿名敏感链路的推理,评估当前链路隐私保护方法的有效性。然后,为了抑制基于链路预测的敏感链路推理攻击行为,从网络数据的内在规律性以及网络链路预测模型的特性两方面出发,构建抗推理攻击的网络数据隐私保护方法。主要有以下四项研究工作:（1）针对当前代表性网络数据隐私保护方法的鲁棒性问题,首先提出通过链路推理研究具体网络隐私保护方法有效性的思路,设计基于网络推理重构的研究框架,为网络数据隐私保护提供基础支撑。其次,提出基于深度学习架构的多层线性编码模型以重构匿名网络,实现匿名网络中扰动链路的推理发现。最后,通过链路推理攻击的准确性和数据效用评估网络数据隐私保护方法的性能。（2）针对传统网络数据隐私保护方法对于多视图网络数据的匿名保护是否有效的问题,提出基于多视图低秩编码的网络结构去匿名框架。该框架假设相同网络系统的不同数据视图之间具有共同的潜在结构模式,通过将目标网络和辅助网络进行多视图低秩联合建模,识别它们的共同结构模式,然后通过网络重构推理目标网络中存在的扰动链路。同时,在以上框架的基础上,提出了一个优化的基于共同表示的多视图低秩编码模型,实现更精确的网络重构。（3）针对网络敏感链路的推理攻击问题,提出网络结构规律性探索框架,通过网络结构建模和扰动进行网络链路可预测性的度量与调控。首先,提出基于范数约束的自表示模型进行网络结构建模,实现网络结构的推理预测。其次,由于网络子结构之间存在一致的结构模式、具有互相表示的可能性,定义了基于低秩约束的自表示模型,并根据该模型提出网络结构规律性量化指标,从而度量网络本身的链路可预测性。最后,定义网络链路重要性度量,提出结构扰动算法调控网络的链路可预测性。（4）针对网络链路推理攻击导致的隐私泄露问题,从链路预测算法特性的角度出发,提出通过对抗攻击影响预测算法性能进而实现网络敏感链路隐私保护的思路。在此基础上,通过网络的深度结构建模与挖掘,提出了链路预测对抗网络生成算法,使得在对抗网络上的链路预测算法性能显著降低,从而抑制基于链路预测的目标网络敏感链路推理攻击。