随着云计算的大范围流行,许多公司为了追求经济利益都会把他们的社交网络数据外包到一个云计算服务提供商,以便来节约公司开支和方便管理,与此同时,当这些公司的社交网络数据被第三方机构所利用,这种做法所带来的隐私泄露问题成为了一个越来越严重的问题。然而针对这种隐私泄露问题的解决,先前的研究工作都已忽略了一个很重要的事实,那就是在现实社交网络中,用户通常拥有各种各样不同的属性,他们也可以在社交网络上随心所欲的去设置哪些属性是敏感的,不能被其他人看到。这样的话,当外包一个社交网络到一个云计算服务提供商时,这些拥有敏感属性信息的用户需要被保护,他们的这些敏感信息不能被其他人所窃取。在这篇文章中,我们考虑的社交网络中用户的隐私保护是建立在攻击者具有一定的背景知识的前提下,这些背景知识包括用户的一邻居网络结构信息和一邻居节点的属性信息。为了解决这种隐私保护问题,我们首先在静态社交网络中做了研究,提出了一种基于全相似分组匿名的方法去生成一个匿名的社交网络,命名为GSGA,与此同时这种方法还要保证尽可能维持较高的网络数据价值。除此之外,我们也考虑了在动态社交网络中上述隐私保护的情况,提出了一种按照社交网络变化的增量方法去匿名整个社交网络,而不是每次当社交网络发生变化的时候,去重复匿名更新整个社交网络。最后,我们分别在真实数据集上和人工生成的数据集上做了广泛的实验,实验结果表明,通过我们的方法生成的匿名社交网络一方面能够提供很好的用户隐私保护,另一方面能够以较高的准确率提供给数据工作者进行聚集查询。