移动社交网络(MSN)是Internet发展历程中的一项关键应用,它深刻的改变了人们的社交方式,并且业已演化为当前最重要的信息传播渠道。按照数据流向分类,移动社交网络可以分为网络层、数据层、应用层三个层次。合理利用移动社交网络和网络数据可以为政府决策、企业推广和私人定制服务提供便利。然而,社交网络中的用户信息和用户数据具有的较高的敏感性,相关隐私信息的泄露得到广泛关注。本文针对移动社交网络中网络层、数据层、应用层隐私保护问题的特点,分析现有的隐私保护方案,设计并实现了 MSN中隐私安全的用户匹配协议、流数据汇聚协议、网络结构数据发布算法以及协同过滤算法。MSN中,基于用户资料匹配的自组网是完善MSN应用区域化功能的基础。但是匹配过程中必然要涉及到个人兴趣爱好、病症、健康状况等隐私信息,如何隐秘而又安全的匹配其他用户是我们关注的焦点。一方面,现有资料匹配协议不能进行选择性匹配,并且未考虑应用环境对隐私性要求的影响。针对这一问题,本文利用Paillier公钥加密算法,设计实现了时效优先选择性匹配(EPSM)协议和隐私优先选择性匹配(PPSM)协议,在满足隐私安全选择性匹配目的的前提下,适应不同的隐私性与时效性要求。另一方面,现阶段用户资料匹配协议多以同态加密算法为基础,其执行效率不高。不同匹配类型的隐私性要求互不相同,结合现有工作对隐私匹配问题的定义,本文给出了 MSN中3种最为常见的隐私匹配需求。在此基础上,分别设计了 3个不依赖同态加密的隐私安全匹配协议,以满足上述3种隐私要求。仿真实验表明,本文所提隐私安全匹配协议在加解密效率上有大幅提升。隐私安全地汇聚用户数据是实现MSN数据广泛共享的关键。MSN中,用户数据每时每刻都在源源不断地产生,设计面向流数据的隐私安全数据汇聚方案势在必行。按照方法分类,面向流数据的隐私安全数据汇聚方案,可以分为基于密码学理论的精确汇聚方案和基于差分隐私理论的含噪汇聚方案两种。一方面,现阶段基于密码学理论的精确汇聚方案,由于密钥生成依赖可信第三方或过程繁琐、又或者无法抵御合谋攻击,不能很好的解决用户合谋环境下流数据隐私安全精确汇聚问题。针对这一问题,本文提出了一种抗合谋攻击的隐私安全流数据精确汇聚方案。该方案不依赖可信第三方分发密钥,且仅需要进行一次初始化过程来协商密钥。通过仿真实验证实,本章所提隐私安全精确汇聚方案在流数据环境下,效率较高。另一方面,对于基于差分隐私理论的含噪汇聚方案,现有工作大多数基于传统差分隐私模型的中心化设置,并且没有考虑连续时间内数据间的相似关系,导致汇聚结果误差较大,可用性不高。针对这一问题,本文提出了两种分布式的w-事件差分隐私无限流数据汇聚方案dBD和dBA。与传统差分隐私模型数据中心进行数据扰动的方式不同,在dBD和dBA方案中,MSN用户对各自的流数据进行扰动,而数据收集者按照既定方式计算汇聚结果。因此,dBD和dBA方案摆脱了传统差分隐私模型的中心化设置。另外,我们从理论上证明了,dBD和dBA方案满足w-事件差分隐私,并且本章还从理论和实验两个方面对本文所提方案的汇聚误差进行了分析。隐私安全的发布MSN网络结构数据是社交网络研究的基础。用户连接指纹CFP是公共用户被标记的移动社交网络中最重要的属性之一。如何在保护用户隐私的前提下,提高CFP数据的可用性,是隐私安全CFP数据发布方案的研究重点。现有数据发布方案大多是基于传统差分隐私模型,没有考虑用户隐私要求的差异性。为保证CFP发布方案能够精确保证每个用户的隐私要求级别,我们提出了两个满足个性化差分隐私模型PDP的隐私安全CFP数据发布方案:DEBA和DUBA-LF方案。考虑到MSN网络结构的稀疏性特点,DEBA和DUBA-LF都利用基于距离的预算吸收机制来提高CFP数据发布效用。此外DUBA-LF方案也利用阶梯函数来减小发布过程中所引入的噪声。仿真实验表明,本文所提的DEBA和DUBA-LF所发布的CFP数据具有较高的可用性。协同过滤技术是社交网络中的核心应用。CF算法利用用户资料信息来提供精准的推荐结果,相关用户资料信息的隐私不能被泄漏。因此结合差分隐私理论的CF算法被广泛研究。但是现有基于差分隐私的CF方法要么过于简单不能应对数据的更新;要么简单的认为所有用户的隐私偏好一致;要么没有考虑CF算法的局部化特点。针对上述问题,本文提出了一种满足LPDP的基于用户的CF算法。我们所提出的LPDP模型是对传统差分隐私模型在CF推荐系统中的扩展。本文提出的基于用户的隐私安全CF算法,不仅能够阻止攻击者推断用户X的属性资料是否包含某一特定项目I,而且还可以阻止攻击者推断用户的属性资料X是否包含与项目I属于同一聚类集合的其他项目I0。此外,本文提出的基于用户的隐私安全CF算法,能够精确保证项目级隐私偏好,即可以满足任意用户对任意项目的特异隐私需求。