随着网络应用产业的日趋繁荣，社会网络作为一种新兴的人际交往平台也随之得到磅礴发展。出于研究或宣传等目的，社交网站运营方需要将其持有的社会网络数据向公众发布，隐私泄露成为数据发布过程中潜在的安全隐患。为防止人员敏感信息泄漏，在发布前需要对这些数据进行隐私保护。于是社会网络隐私保护被学界提上了议事日程。有不少学者在致力于社会网络隐私保护的研究工作，并且取得了大量有意义的研究成果。尽管现有成果在解决社会网络人员属性的隐私保护和社区结构的隐私保护两个方面都有一定适用价值，但未同时兼顾二者。针对此问题，本文研究一种能同时顾及二者的社会网络隐私保护数据发布方法。本文主要工作包括：首先，提出一种属性不确定性泛化策略。本文通过不确定性泛化来扩大可能世界空间。这种泛化策略不仅泛化后所扩大的可能世界空间较小，而且泛化后的数据携带了原始数据的统计信息。其次，提出一种社区结构扰乱方法。该方法通过交换同度节点、从相似社区中选择节点插入以及删除与新插入节点相连节点的部分朋友关系等操作实现社区局部结构的扰乱。此方法不仅具有诱导攻击者寻找错误攻击目标的能力，而且在扰乱局部社区结构的同时可使得扰乱不扩大化。第三，提出一种基于并行思想的名为k-N-匿名的社会网络隐私保护算法。该算法基于属性不确定性泛化策略和社区结构扰乱方法，一方面在同一个社区内人员描述信息满足k-匿名要求，另一方面同一社会网络内相似社区个数不少于N个。最后通过实验验证k-N-匿名算法的有效性。综上，本文提出的社会网络隐私保护数据发布方法是合理的，该方法在兼顾人员属性的隐私保护和社区结构的隐私保护方面比传统方法具有优势。