随着信息技术的蓬勃发展,互联网向经济社会各个领域渗透,各大社交网站使人们的信息获取方式和生活方式产生了极大的改变,同时各种信息系统存储并积累了海量的社交数据,随之而来的是个人隐私信息安全问题日益突出。大数据是当今时代的一座“大金矿”,数据开放共享是分析和挖掘“大金矿”的关键所在,为防止个体隐私信息在数据分析或挖掘过程中遭受泄露威胁,因此亟需寻求一种有效的隐私保护机制及隐私度量方法为数据发布者在保证数据隐私制定安全决策提供依据。结构熵能在含有噪声的网络结构数据中解码出的真实结构信息,有效解决了社交网络中的隐私度量问题,结合最大背景知识假设的差分隐私保护技术,本文以信息熵度量模型、结构信息论和差分隐私理论为隐私保护工具,旨在解决社交网络数据开放共享中存在的隐私量化和隐私保护问题。具体研究工作如下:（1）基于差分隐私的权重社交网络隐私保护。针对权重社交关系的隐私保护问题,本文基于非交互式差分隐私保护模型提出社交网络边权重直方图统计发布方法。首先,结合非交互式差分隐私保护模型和经典信息熵度量模型,利用一维结构熵度量出社交网络中所隐藏的信息量,进一步进行隐私泄露量度量。其次,对社交关系设计Laplace噪声随机扰动算法,将边权重直方图统计作为查询结果,构建非交互式查询模型。最后,为减少随机的噪声量,提出随机扰动改进算法,该算法引入社区结构熵将社交网络划分为若干子社区,从社区层面注入Laplace噪声,使各个社区序列满足差分隐私,实现社交关系差分隐私保护的直方图统计发布。（2）融合图结构熵和差分隐私的社交网络隐私保护。由于权重社交网络的复杂性和噪声随机性,在差分隐私中引入结构信息论,提出了基于图结构熵的社交网络差分隐私保护算法。首先,利用社区结构熵和随机噪声设计一种指数机制,在社区划分的过程中注入随机噪声,通过指数噪声扰动待合并社区的候选项。其次,为了减小误差,构造社区间最小化剩余结构熵的“有权虚介边”添加策略和Laplace噪声混淆社区内部边关系策略。最后,在真实社交网络下的仿真实验表明,本算法在保证社交网络差分隐私保护的同时,能够保留较高的数据效用。