随着互联网技术的发展,边加权的有向网络在日常生活和工作中普遍存在,许多学者也对其统计性质做了进一步研究。但是网络图的度序列往往会携带许多敏感信息,因此保护隐私数据也成为统计分析的一个重要问题。本文在差分隐私机制保护数据的前提下,对加权有向随机图建立p0模型,进一步研究其参数性质。本文主要研究的是差分隐私准则下加权p0网络模型中的统计推断问题,研究结果包括:第一、由于隐私保护的对象是双度序列,双度序列也是加权p0模型的完全充分统计量,因此首先用满足差分隐私的拉普拉斯机制释放加噪声的加权有向双度序列。第二、基于差分隐私双度序列建立矩估计方程得到加权p0模型中参数的差分隐私估计量。第三、证明差分隐私估计量的相合性,具体表述为:设q-1是网络图中边的最大权重,θ是P0模型中的参数,θ和κ是分别是隐私参数和次指数分布的参数。如果(1+4(q-1)2/θ)e12||θ*||∞=Op(n1/2/(log n)1/2),其中θ是隐私参数,则当n趋于无穷大时,依概率约为1,θ的估计θ存在且满足||θ-θ*||∞=Op(((log n)1/2/n1/2-(1+k)e6||θ*||∞)=op(1).进一步地,如果估计θ存在必唯一。第四、证明差分隐私估计量的渐近正态性,具体表述为:假设A～Pθ*,(1+4(q-1)2/θ)2e18||θ*||∞=Op((n/logn)1/2)。如果4(q-1)2/θ(log n)1/2e2||θ*||∞=Op(1),e2||θ*||∞=Op(n1/2),则对任意固定的k≥1,当n→∞时,向量θ-θ*的前k个元素渐近服从多元正态分布,其中参数均值是0,S*左上角k×k的子矩阵构成参数的协方差矩阵,这里矩阵S*是将矩阵S中的θ替换成真实值θ*得到。第五、通过数值模拟和两个实际的数值例子验证理论结果。