移动社交网络是移动、社交和位置的深度融合。用户在极大地享受便利性的同时,由于移动社交网络天然得将位置数据与非位置数据(用户个人信息、社交关系信息等)相结合,这些数据交叉复现,用户也面临着巨大的隐私安全威胁。与位置紧密相关的,包括内容分享服务、近邻查询服务和兴趣点推荐服务,用户的位置隐私能否在其中得到妥善保护是维持移动社交网络良好生态的必然选择。目前,针对移动社交网络相关隐私技术,国内外学者都有所研究,但是,现有的研究成果仍存在以下不足之处:1)分享内容中涉及其他用户的位置隐私,并且发布者无法控制转发内容的访问权限。2)聚集近邻查询在连续查询下易暴露用户组的位置和轨迹隐私,且查询响应延迟高。3)兴趣点推荐中对轨迹数据源的挖掘分析缺少权衡位置隐私强度和推荐精度的方法。针对以上不足,本文对移动社交网络服务中隐私安全相关技术进行研究,所做工作和创新点如下所示:首先,为保护动态中涉及的多方隐私利益问题,提出了一种基于信任的合作访问控制模型。本模型在合并决策时考虑了到冲突的存在,采用更符合用户心理的基于让步意愿的冲突消解方案,其中让步可能性的度量围绕用户间信任度展开,更符合社交网络的特性;针对本模型无法抵御服务提供商获取用户的敏感位置问题,提出了一种基于抗位置语义攻击的k-匿名算法,使得虚假位置集保证最大熵且构成最大的匿名区域,通过实验证明了算法的可用性。其次,提出了一种基于可信匿名服务器的连续聚合最近邻查询方法。具体地,LBS服务器采用策略优化的聚合最近邻查询算法,通过缩小POI的搜索范围并加速非最近邻居的修剪来提高结果的响应速度。匿名服务器采用基于圆形安全区域的越界检测算法。该算法确定是否需要超过安全边界更新查询,并避免用户直接向LBS服务器提交连续移动轨迹,从而保护用户的位置和轨迹隐私。理论分析和实验数据表明,该算法比现有算法更安全,性能更好。最后,针对兴趣点推荐中涉及的轨迹隐私泄露问题,本文提出了一种用于向用户推荐兴趣点的差分隐私轨迹分析算法,该算法首先将原始轨迹数据集转换为用户-位置二分图,然后转化为对应的关联矩阵,并加入服从拉普拉斯分布的噪声以满足ε-差分隐私。接着,对该数据结构执行执行HITS算法生成推荐兴趣点的有序列表。最后,通过调整参数来寻找推荐结果准确性和隐私保护强度的平衡点。