社会网络的快速发展和普及,吸引了各个研究领域的科研人员从事社会网络的分析和研究,并在进行社会网络分析过程中提出并解决了很多具有重要应用与研究价值的问题。然而,社会网络中通常包含了大量的个人隐私信息,这些隐私信息的安全性阻碍了社会网络数据的交流与共享,如何在基于发布社会网络数据进行社会网络分析的同时保护其中蕴含的隐私信息成为当前数据隐私保护研究中的热点问题。在社会网络隐私保护研究工作中,已经有大量工作致力于解决社会网络中隐私泄露问题。其中大部分都是基于K-匿名思想所提出的隐私保护技术,也有少部分是基于数据扰乱思想的隐私保护技术。目前,基于图同构思想的隐私保护模型由于具有抵御攻击多样化、隐私保护能力强等特点,得到隐私保护领域的重点关注和研究,但是基于这些模型的隐私保护方法仍然不能有效的解决社会网络中存在的边泄露和路径长度泄露等隐私安全问题。因此,本文提出一种基于图自同构的AK-Secure社会网络隐私保护模型,能够有效的防止结点识别攻击、边泄露问题和路径长度泄露问题。该模型通过延续自同构的思想保证了模型中任意结点被识别的概率小于等于1/K,以及通过对结点之间的边和路径增加约束条件,从而保证模型中任意边被识别的概率小于等于1/K,不存在边泄露问题和路径长度泄露问题。基于AK-Secure隐私保护模型本文设计了一种图匿名化算法,能够以最小化的信息损失构建符合AK-Secure隐私保护模型的匿名图,从而在有效的防止各种隐私泄露问题的同时,保证了发布图的数据可用性,对于社会网络数据的发布和共享具有实际意义。与此同时,针对社会网络结点属性信息发布过程中存在的隐私信息泄露问题,本文提出了一种安全的结点属性信息发布规则,有效的防止结点隐私信息泄露问题。并基于真实数据集进行大量实验测试和分析,验证了AK-Secure图匿名化算法的正确性和高效性,以及发布图数据的高可用性。