近年来,随着互联网和各种信息交互平台的大力发展,现实世界中的个体在不同的网络虚拟空间中形成了多种多样的社会网络。其中,各种交流论坛收集了丰富的用户个人信息,用户之间的关系数据也可以从微博、朋友圈等社交平台中获取。社交网络在为人们生活提供便利的同时,也给我们带来了诸多安全隐患,隐私数据的泄露更是给人们的生活制造了很多意想不到的困扰。一方面,我们希望享用社交网络的便捷,另一方面,我们又不希望个人数据的完全透明。因此,基于差分隐私的社交网络隐私保护方法研究具有巨大的社会意义和商业价值。本课题主要的研究内容是针对传统的差分隐私保护方法只能适用于非交互式的社交网络,而在交互式的社交网络上无法起到很好的保护作用的问题所提出的。本文的主要工作包括:第一、针对传统差分隐私保护的缺陷,课题首先设计了基于交互式社交网络的差分隐私保护机制。在这个机制下,我们证明了它符合差分隐私的保护条件,而且同差分隐私一样以最大的可能性防止隐私信息泄露。第二、考虑到社交网络性质的多样性以及隐私攻击的复杂性,课题提出了三个实用指标(查询函数)作为保护社交网络隐私的首要目标。事实上,度分布、割集和最短路径作为网络中最基本的性质也是攻击者最想要获得的信息。第三、针对社交网络中信息之间的相关性问题,课题研究了基于交互因子的拉普拉斯噪声添加方法。首先针对不同的节点计算其相应的交互因子(参数t),然后利用t去获取符合拉普拉斯分布的噪声,从而消除节点之间的相互影响。通过交互因子的引入,不仅限制了节点本身对全局数据的影响,更将节点与其他节点的关系作用考虑在内,从而可以对发布数据起到全局保护,提升相应的保护效果。通过实验测试几种保护机制,分析不同方法对于社交网络中最基本的性质隐私信息的保护效果,对比时间结果等因素,以验证交互式差分隐私机制的有效性。实验结果表明:本课题提出的交互式差分隐私机制不仅能够在最大程度上保护隐私数据不被泄露,同时新增的交互因子对全局数据的保护赋予了更强的约束力,因而取得了较好的保护效果。