互联网上的用户社交活动可以表示为图数据,所谓图数据就是将产生的这些数据抽象成图,节点表示实体,边表示实体之间的关系,图数据已经被广泛应用于数据挖掘、智能推荐、欺诈监测等网络服务中,鉴于此,图数据有利于提升网络信息服务质量和决策作用。然而,由于敌手的隐私推理攻击,图数据存在着隐私泄露的问题。针对图数据的去匿名攻击是一种典型的隐私推理攻击方法,现有的工作在保护图节点身份和属性等方面具有局限性。本文聚焦匿名图数据隐私推理问题,从隐私攻击的角度,并通过图数据的隐私量化研究,解决图数据隐私和效用矛盾问题,具体的研究工作有:（1）提出了基于概率映射的图数据属性隐私推理方法。针对社交网络的图数据隐私攻击和匿名化隐私保护方法,在分析上述方法的技术原理基础上,利用数据挖掘关联分析方法量化属性相关度。进一步,利用概率图模型的理论与方法,提出基于网络拓扑结构的属性隐私推理方法。（2）针对提出的属性隐私推理方法,设计了一种面向图数据的属性隐私推理算法。利用FP-growth算法分析挖掘图数据结构中节点属性之间的关联关系,建立图数据属性之间的概率性映射,实现匿名图数据的去匿名化。以此为基础,通过图结构特征相似度和属性值的计算设计了属性隐私推理算法,实现用户隐私推理的概率性计算。实验结果表明所设计的算法在隐私推理的信息量获取方面相对于现有的算法具有明显优势,有效地保证了推理的高效性。（3）设计并实现了图数据属性隐私推理原型系统。基于所提出的方案和设计的算法,遵循软件设计、开发阶段,采用面向对象程序设计语言和Prefuse框架,面向接口编程实现了图数据属性隐私推理原型系统。该系统包括数据预处理、属性隐私推理、隐私泄露度量和数据可视化等功能模块。依据软件测试方法,所设计实现的系统达到了预期的功能需求目标。