为了科学发展或者商业用途的需要,社会网络数据获得者们需要将获得的大量社会网络数据进行发布,然而这些数据中含有大量的个人信息,若将这些社会网络数据不加修改地随意发布出去,会导致网络用户隐私信息的泄漏。因此,对社会网络数据发布隐私匿名技术进行研究变得越来越重要。然而,绝大多数的隐私保护技术都假设发布数据具有相同的发布用途,实际上发布的数据通常有不同的研究用途,有的数据用来进行社区中心发现,而有的数据则用来进行链接挖掘等研究。通用的隐私保护算法没有考虑发布数据日后的应用,导致发布后的数据在进行科学研究或商业用途时可用性较差,因此,本文对指定数据发布用途的社会网络数据隐私保护技术进行研究。本文首先介绍了社会网络数据发布隐私匿名技术的研究背景以及国内外研究现状,阐述相关原理及概念;其次,以社会网络数据发布隐私匿名技术为基础,对数据发布用途为社区结构分析的社会网络数据发布匿名算法进行研究,在经典k-度匿名算法的基础上结合进化算法和社区层次结构模型,提出了基于进化算法和社区层次结构的k-度匿名算法。该算法利用进化算法得到k度匿名序列,并将社会网络图看作一个具有社区层次结构的拓扑图,引入层次随机图和层次社区熵的概念,并且在k度匿名序列的指导下根据层次社区熵的改变量对社会网络图进行匿名;再次,针对单一的k-度匿名算法依然存在隐私泄露的风险,本文在上述k-度匿名算法的基础上融合l-diversity算法,提出了基于进化算法和社区层次结构模型的(k,l)-匿名算法,对匿名图中节点敏感属性值进行泛化,提高隐私保护算法的安全性;最后,对提出的算法进行实验验证,使用不同实验方案对算法效果进行对比。实验结果表明,基于进化算法和社区层次结构模型的(k,l)-匿名算法比通用的隐私保护算法能够更好的保持图的结构性质以及社区结构,匿名后数据的可用性更高。