随着互联网技术的快速发展,各类社交网络中产生了大量的用户数据,公开发布社交网络数据的方式,常常伴随着用户个人隐私信息泄露的风险,对用户的隐私构成侵犯,因而现在许多的数据在发布之前都需要进行数据保护。在现有的数据隐私保护方法中,匿名化保护是一种较为广泛的保护手段,可以有效的保证在不泄露隐私信息的前提下实现数据的安全发布。但是这些方法大多都是针对社交网络图结构的匿名保护,并没有将节点的属性保护考虑进去,随着数据的多样性变化和攻击者拥有的复杂的背景知识,现有的匿名保护方法并不能抵抗一些新的攻击方式,如社区攻击,邻居属性攻击等。本文以社交网络数据发布中的隐私保护需求为立足点,从对国内外的数据隐私保护技术研究分析为前提,对一些隐私保护匿名模型、匿名方法的技术实现和匿名信息度量指标等进行了分析和研究。本文基于这些研究,对社交网络数据发布中的结合图结构和属性的多特征匿名技术等问题进行了多方面的深入研究。论文的研究工作和主要贡献包括:1.介绍了本文的选题背景及研究意义,然后对社交网络隐私保护的国内外研究现状进行了综述。探讨了针对社交网络结构和属性的攻击问题,对社交网络保护的相关概念和保护方法进行了介绍和归纳总结,并具体说明了社交网络匿名保护中的隐私度量方法。2.针对现有的k度匿名算法,只保护了节点的度,对图的社区结构等没有进行保护处理,导致无法抵抗社区属性信息攻击造成的隐私泄露问题,本文引入社区划分这一概念,提出一种基于节点分类的k度匿名保护方法。该方法是基于传统的k度匿名方法,不仅保护了节点或者边,更重要的是实现了对节点的社区属性的保护。由此提出了节点分类的概念,根据节点在图中重要性的不同,对节点进行分类。实验结果表明,该算法与已有的k度匿名算法相比,节点分类的匿名算法的信息损失度更小,在介数中心性、最短路径距离等方面都保持了良好的数据实用性,在社区划分时,社区内的节点的变化率超过10%,有效的扰乱了社区结构,能够抵抗社区属性攻击。3.进一步针对属性图的KDLD保护方法中对边的修改过大,属性匿名过度等问题进行了分析和研究,提出了基于结构和属性的(k+,l)匿名保护方法,结合属性和结构两方面对节点进行分类,这种方法相比KDLD属性保护方法,添加更少的噪声数据,拥有更小的信息损失度。