移动社交网络紧紧依赖于真实存在的社交关系。由于这些社交数据面临潜在的攻击风险,数据持有者可能会将这些数据扰动匿名后再发布出去,以期实现隐私保护。针对移动社交网络图结构敏感度大以及数据规模大的特点,现有的隐私保护方案往往存在着数据可用性不佳或隐私保护程度不足等问题。为了解决上述问题,论文主要做了如下工作:本文在差分隐私模型及其组合特性和保护框架的基础上,提出了一种适用于移动社交网络的隐私保护方案(Privacy Preserving Approach Based on Clustering and Noise,简称PBCN),该方案针对无向图将聚类、随机化以及差分隐私结合在一起,并提出了一种敏感度较高的基于邻接度的隐私保护性衡量算法。通过模拟仿真比较了PBCN与Spctr Add/Del、Spctr Switch、DER在相同隐私保护性情况下的数据可用性和运行性能。实验结果表明PBCN具有更佳的隐私保护效果及数据可用性。移动社交网络中用户间错综复杂的社交关系并非均等的,个体间关系的强弱可能直接影响到隐私的分布和保护的效率。目前存在相当多的针对无权值的社交网络图数据的隐私保护方法,但这些方法不能直接应用于带权值(社交关系敏感程度不均等)的社交网络图数据中。为解决这一问题,本文提出一种基于差分隐私保护模型的带权值的社交网络图扰动方法,可实现对边权值以及图结构的强保护。该方法基于单源最短路径约束模型来添加扰动噪音,根据权值的不同划分出关键边和非关键边,有效减少了需要扰动的边关系。本文选取了若干模拟数据集,通过与经典方法的比较,验证了本文方法具有良好的运行效率及数据可用性,同时适用于大规模的社交网络应用。