随着社交网络、基于位置服务等技术的飞速发展,基于位置的社交网络（Location-Based Social Network,LBSN）中的用户数量与数据量迅速增加。LBSN数据中的隐私不仅包含用户的社交情况、地理位置等信息,可被数据挖掘等技术发现的敏感关系、时空模式等也是重要的隐私信息。在LBSN数据发布前,若不对隐私相关的数据进行处理,用户的隐私信息将面临严重的泄露风险。敏感关系是社交网络中重要的隐私保护问题,是数据隐私保护领域重要的研究课题之一,许多国内外研究者的对此问题给予关注并提出了许多重要技术。然而,当前的敏感关系研究中存在问题,例如提出的隐私模型不合理导致推断准确性低,隐私保护方法难以估量数据修改造成的影响,需要大量的数据修改操作,造成隐私保护成功率低、信息损失大等。首先,针对上述不足,本文讨论了位置的隐私程度等因素对敏感关系的影响,提出了基于位置特性的敏感关系隐私模型。基于此模型,本文提出基于位置特性的敏感关系推演攻击算法。针对此推演攻击方法,本文提出基于位置特性的敏感关系隐私保护算法,该隐私保护算法主要思路为通过签到抑制和假签到技术实现推演控制,并对签到数据处理操作的影响设计了启发式规则进行度量。然后,该方法在搜索候选位置时,考虑了轨迹形状和访问模式等限制条件,充分保证了候选位置的可信性与安全性。此外,为了提高算法运行效率,本研究设计了基于距离的索引结构,能够有效减少因重复的位置搜索造成的冗余计算。最后,本文基于真实的LBSN数据集进行了实验,并与现有的敏感关系推演攻击和隐私保护方法进行了对比与分析。实验结果表明,本文提出的基于位置特性的敏感关系推演攻击准确性较高,提出的隐私保护算法能够在有效地保护敏感关系隐私,并且极大地降低隐私保护的信息损失。