信息技术以及在线社会网络平台的飞速发展,在缩短世界的距离,极大的提升社会效率的同时,也带来了不小的隐患与巨大的挑战。目前,网络上不良信息的扩散已经成为全球性的难题。不良信息借助日益庞大且功能强大的在线社会网络媒体与平台可以在很短的时间之内在一个国家乃至世界范围内飞速传播,给社会上的大量民众造成严重的误导和认知偏差,甚至使群体发生非理性的现象,造成严重后果。在此背景下,社会网络的网络免疫在过去的十几年内得到了越来越多学者的注意。其中,许多基于网络拓扑结构的算法被提出,例如网络的连接度以及中介度等。但是,这些研究仅仅只考虑了网络节点这一层级的网络浅层结构,而一些可以被例如模体等工具挖掘的网络高阶连通性等网络高阶结构则被忽略,这将导致算法效果的不足。另外,基于网络节点连通性的免疫算法可能会导致网络完整性问题并且严重影响网络中其他节点的正常工作,这是因为网络中中心节点的缺失将会极大的破坏网络的连通性进而影响网络的功能性。针对上述内容,本文作出以下工作:1.本文研究了基于模体的网络的高阶隐性结构,通过对模体连通率的以及基于模体的网络权重图的研究,得到了一种通过基于模体的邻接矩阵提取连边的在网络高阶连通性的方法。2.文中研究了边中介中心度在网络免疫中的突出作用,研究发现这一指标不仅可以使本文提出的算法比传统的算法更有效率并且可以在免疫的同时通过连边在免疫作用中更为出色的作用,减少其对网络结构与功能的破坏性。3.结合基于模体得到的网络高阶结构与边中介中心度,本文提出了一种新型针对网络免疫的连边重要性指标MEBC(Motif-based Edge-Betweenness Centrality)并在此基础上提出同名的网络免疫算法。文章最后使用SIR(易感者-感染者-移出者)模型,仿真信息在网络中的传播过程。将提出的MEBC算法与其它对比算法在真实的社会网络数据集上仿真测试其免疫性能。大量的实验结果证明本文提出的免疫算法MEBC不仅具有良好的免疫性能,其网络完整性的影响也优于其它算法。