近几年来,为了掌握用户的行为模式和了解数据挖掘背后的主要目的,社交网络的数量呈现爆炸性增长的态势。社交软件已经开始全面进入我们的日常生活之中,在使用的同时,大量的用户数据被发布到网络上。合理的使用这些数据,能帮助社会更好的应对解决问题。然而,在共享这些用户数据的同时,可能会出现用户的隐私数据泄露等问题,这就需要隐私保护技术的介入。目前最常见的隐私保护技术是通过删除或者修改一些信息来将数据匿名化,匿名化的要求则是尽可能多的保留原始数据的信息。现有的匿名技术大部分无法同时抵御身份攻击、属性攻击、链接攻击以及相似性攻击。此外,一些现有的匿名技术在匿名的过程中会产生大量的信息损失和数据失真。针对以上问题,本文提出一种基于K成员模糊聚类的多约束目标函数隐私保护方法,以保护匿名数据免受身份泄露、属性泄露、相关性泄露和相似性攻击的影响,同时最小化数据修改策略,减少信息的损失。该方法首先提出一种K成员模糊聚类的改进算法,使得生成的每个聚类中拥有至少k个成员,实现创建均衡聚类,解决数据稀松性的目标,为元启发式算法提供近似的最优初始解,提高元启发式算法的效率与收敛速度。其次,本文将元启发式算法应用到数据匿名化的过程中,将代价函数与惩罚函数同时考虑到目标函数之中,通过为惩罚函数施加约束实现数据匿名化的同时满足k-匿名性、l-多样性以及t-近邻的匿名化条件,解决同时抵御身份攻击、属性攻击、链接攻击以及相似性攻击的问题。通过元启发式算法的不断迭代寻找目标函数的最优解,优化数据匿名的方法,实现修改策略最小化,降低数据失真。最后,本文在Facebook、Google、Twitter三个社交网络数据库上的实验结果表明,本文所提出的基于K成员模糊聚类的多约束目标函数隐私保护方法能够较大程度的降低已发布数据的信息损失,并同时满足k-匿名性、l-多样性以及t-近邻的约束条件。