随着社交网络服务的普及,各类社交媒体可以从用户端获取大量个人数据和相关信息以进行数据挖掘和分析,但同时也带来隐私泄露风险,因此个人隐私保护问题变得越来越重要。当前,差分隐私作为一种经过严格理论验证和数学证明的隐私保护模型,在许多领域都引起了人们的关注和研究。但是,针对社交网络中关系数据的隐私保护仍处于初级阶段,且现有的差分隐私发布技术主要集中在中心化模型上,即数据收集者默认可信,然而这样的假设已不符合现实情况。为了解决上述问题,本文提出以下两部分研究内容:(1)本文提出使用满足本地化差分隐私的分层随机图模型进行隐私保护。首先,为了达到保护隐私同时不失去效用性的目的,本文通过将原始网络转换为分层随机图模型来保留统计特征,将原有评价指标结合指数机制形成新的模型选择方案,择优选择最终的模型结构;然后,将获得的模型与添加拉普拉斯噪声的连接概率结合,以获得一个噪声网络以供发布,模型的迭代选择过程中借鉴蒙特卡洛马尔可夫链方法提高了效率和准确性;此外,还提出应用预测模型来补充丢失连接。本文对所提出算法进行了理论证明和实验验证。(2)本文提出了一种基于Louvain算法的本地化差分隐私社团检测算法。在Louvain算法的第一阶段,本文引入了指数机制,并结合了模块度增益来确定节点所属的社团;当获得社团时,社团内的边连接关系更加紧密,因此需要提供进一步的隐私保护,本文采用分层随机图模型来根据边连接概率对图的结构信息进行编码,从而将每个社团转换为分层随机图模型;然后将生成的分层随机图模型与添加拉普拉斯噪声的边连接概率相结合获得加入噪声的网络结构。本文在不同规模的数据集上对所提出的算法进行验证,结果表明本文提出的算法在满足差分隐私条件的同时保留了一定的效用。