网络信息技术的飞速发展,开启了智能信息处理的新时代。共享数据资源的日益充盈,使得信息的隐私保护逐步引起了国内外学者的广泛关注。数据扰动隐私保护方法和理论的研究已成为信息安全的一个重要的研究领域,将隐私保护方法与理论应用于社交网络中是当前的一个研究热点。但是,目前数据扰动的隐私保护算法理论还在研究过程中,特别是其系统的基础理论研究不够完善,这个问题的研究可以为数据扰动隐私保护技术的开发、评价和实践,提供一个更好的框架和坚实的理论基础。有鉴于此,本文在研究数据扰动隐私保护算法的理论基础上,提出了新的数据扰动隐私保护的方法,建立新的数据扰动模型,并将其应用于社交网络的隐私保护中。本文的主要研究工作如下：1.研究了社交网络的隐私保护问题,证明了数据扰动理论在社交网络中应用的有效性；基于社交网络首次提出了多边贪心扰动隐私保护方法,仿真实验证明了其结果的适用性。此研究成果给出了一个社交网络多边隐私保护的解决方案。2.在社交网络的隐私保护问题中,连接边权重的隐私保护问题是非常重要的,为此提出一种单边贪心扰动的隐私保护算法,证明了能扰乱每条边的权重,同时又能保存每对节点间的最短路径及其对应长度的扰乱模式是不存在的结论。3.研究了数据扰动隐私保护方法与理论。提出一种基于高斯随机乘法的数据扰动隐私保护方法,即合理选择高斯分布的各参数对无向无环单边网络图的边的权值进行扰动以实现对网络的隐私保护,从理论上证明了算法的可行性。仿真实验表明了通过高斯随机乘法来扰乱网络边的权重可以实现对社交网络的隐私保护。4.完备空间中隐私保护算法基础理论的研究。基于完备格中不动点理论,证明了挖掘所有的闭项目集就是寻找其Galois闭算子不动点的结论。得出寻找一个闭项目集的过程就是一个建立Galois联络的过程,从而为隐私保护关联算法提供了可靠的理论基础。