社交网络在当今时代风靡全球,成为人们生活中不可或缺的一部分。然而,为了给用户提供交友、消息推荐等功能,社交网络往往包含着大量用户的个人信息与生活习惯,这也导致社交网络的用户数据隐私问题成为当前的一个研究热点。本文旨在从多个方面研究社交网络中的隐私泄露问题并提出相应的保护措施。随着移动社交网络(Mobile Social Networks,简称MSN)的流行,由于用户位置分享而导致的隐私泄露的危险逐渐增加。本文首先通过比较用户在社胶网络上共享的位置与他们的实际移动轨迹,定量地量化位置隐私泄露情况。为完成这一目标,本文招募三十名志愿者进行了为期三周的实验,研究直接位置分享(例如微博、人人网)和间接位置分享(例如微信、Skout)对于用户真实运动轨迹的反映情况。进一步,本文探索潜在的隐私泄露方式,例如,攻击者是否可以通过观察用户分享在社交网络上的移动轨迹推断用户的人口统计学信息(例如,年龄,性别,教育水平)。最后,为了在避免隐私泄漏的同时保证服务质量,本文提出一个基于用户环境的系统级隐私保护解决方案,旨在自动学习用户在不同地理位置的隐私偏好,并为移动社交网络用户提供一个透明的隐私控制体系。另一方面,虽然可以用于个性化推荐、广告发布等功能,但对同一个用户的多个社交网络账号的匹配与聚合仍将不可避免地引起严重的隐私泄漏问题。而从隐私泄露的角度,这一过程通常被称作“去匿名化攻击”(De-anonymization)。本文结合之前不同方式的优点,进一步提出一个跨平台的去匿名化攻击方式,来反映潜在隐私泄漏的严重性。该方案首先利用社交网络的图结构大大减少候选集的规模,然后利用用户公开的个人信息来以高置信度匹配同一用户的不同账号。最后,本文通过真实数据集对多个社交网络聚合(即去匿名化攻击)引起的隐私泄漏进行实证调研。结果表明由去匿名化攻击带来的隐私泄漏问题严重,本文希望唤起相关研究的重视。