图数据作为社交网络数据的重要存储模式,在网络分析、数据挖掘等方面发挥着重要作用。图中的三角形是研究社交网络模型的重要角色,通过三角形,分析者可以识别出社交网络中有着重要地位的角色,可以发现小团体网络结构,可以区分出垃圾邮件的主人。因此,直接发布图中的三角形信息会带来用户隐私的泄露问题。针对图上三角计算这一重要参数的隐私泄露问题,节点差分隐私保护技术基于其严格的数据理论证明,可以有效地保护图上任一节点的隐私信息不被披露,在保证隐私性的同时保留了数据的可用性,完善了发布数据的安全性。直接发布满足节点差分隐私的三角计算相关数据信息,会带来极大的噪声量,在大规模的图数据上这种噪声量会使得加噪后的数据可用性变得极差,而适当的删除不必要的连边,将节点三角个数控制在设定的阈值参数内则可有效地控制噪声量的大小,大大降低满足差分隐私所需要添加的噪声量,从而在发布数据的隐私性和可用性之间取得最优的平衡。基于该删边预处理模式下,对节点三角计算的累积发布比非累积发布效果更好。同时,针对节点本地聚类系数,在三角计算的发布基础上,通过将聚类系数先分组再查询的方法,差分隐私保护技术也可以实现很好的发布效果。实验表明,在发布三角计算结果时,不同的阈值设定对应不同的数据集有着不同的发布效果,小数据集对应低阈值而大数据集对应高阈值可以在保留更多原数据集信息的基础上取得最好发布效果。在发布分组后的非累积节点本地聚类系数结果时,阈值参数影响着发布效果,而分组参数影响着原始图特征的保留程度,实验证明,分组越多,可观察的统计信息越多,而阈值越高,隐私性越高,与此同时噪声量越大,发布的效果越差。因此,不同的数据集对应着不同的参数选择策略,合适的参数能够在保证隐私性的同时保证最优的发布效果。