信息网络(比如社交网络,电子邮件网络等)对于数据挖掘与分析来说具有非常高的价值,但是它们往往包含高度敏感的个人数据,比如社会联系和私人通信记录。为了保护网络中个体用户的隐私,这些网络数据在被发布给第三方机构用于公共访问和科学研究之前需要进行适当的隐私安全保护。本文借助差分隐私保护模型来对网络图中的隐私信息进行处理。为了减少添加的差分隐私噪声量,本文使用层次随机图模型来表示网络图,对图中节点之间的连接概率添加噪声,而不是直接对边加噪。为了进一步控制噪声量,本文在建立层次随机图之前先在网络图中进行社区发现,向社区内部的节点连边添加较多的噪声,向社区之间的节点连边添加较少的噪声。现实世界的网络通常是动态变化的,为了处理动态网络的隐私保护问题,本文在差分隐私与层次随机图的基础上,提出时间窗口划分与动态网络社区发现算法,每个时间窗口发布一份净化图。为了应对动态性带来的挑战,本文将每个时间窗口进一步划分为若干层次,通过分层抽样与过滤相似图的方式降低时间开销,减少累积误差,同时尽量保持该时间窗口的网络结构特征。本文在真实数据集上对提出的算法执行检验。实验证明,本文所提算法发布的图在满足差分隐私保护模型的前提下,能很好地保留原始图的三个重要网络结构特征:节点度分布,最短路径长度分布,Top-K中心点覆盖率。