随着大数据的广泛应用,隐私保护问题在网络数据分析中显得越发重要。差分隐私是一种常用的隐私保护方法,对于Laplace机制下的差分隐私问题,在某些特殊的模型如β-模型中得到了参数估计量的渐近性质,但在一般的噪声机制下却缺乏相应的研究结果。本文以离散Laplace机制为特例,对一般噪声机制下的无向随机图模型进行研究,进一步给出了其参数性质。本文主要研究的是一般噪声机制下无向随机图模型的统计推断问题,研究的主要结果包括:第一、基于一般噪声机制建立矩估计方程得到参数估计的估计量。第二、证明估计量的相合性,具体表述为:设α是模型中的参数,φi(i=1,2,3)是关于函数的参数,k是次指数分布的参数,我们假设max=1,…,n ki≤k,其中k=op(n1/2)成立且(?)(?)则当n趋于无穷大时,依概率于1,α的估计量α存在且满足:(?)第三、证明估计量的渐近正态性,具体表述为:如果有(?)则对任意固定的k≥1,当n趋近于无穷大,依概率于1,(B-1)1/2(α-α)的前k个元素渐近服从多元标准正态分布,其中(B-1)1/2=diag(v111/2,…,vnn1/2)。第四、将统计推断结果在β-模型,Chung和Lu(2004)的对数线性模型以及离散权值的最大熵模型中予以应用。第五、具体针对离散权值的最大熵模型进行数值模拟验证理论结果。