社会网络隐私保护已经成为了一个新的研究热点。为了防止用户的隐私信息泄露，在将社会网络数据发布前需实施有效的隐私保护策略。社会网络隐私保护的研究中，传统的方式是把社会网络当作一个静态图，即随着时间的推移，社会网络是固定不变的。然而，在现实生活中，静态的社会网络是不存在的。　　动态性是社会网络的本质属性，对动态社会网络的研究往往更加具有研究价值。本文根据攻击者拥有不同的背景知识对动态社会网络中敏感边和节点社区两个方面的隐私保护技术进行了研究，本文的研究内容主要有:　　(1)针对动态社会网络中攻击者拥有节点的度值序列作为背景知识的攻击模型，本文提出了一种新的基于动态社会网络中敏感边的隐私保护技术。它的主要思想是首先将节点按照度值进行降序排列，并进行分组，在动态社会网络的发布过程中，使得同一组中的节点度值发生相同的变化，这可以确保目标节点不能被唯一识别，被攻击识别的概率不超过1/k。其次本文提出泄露概率的概念，确保敏感边泄露的概率不得超过u。理论分析和实验表明，本文所提出的隐私保护方法可以抵御攻击者对敏感边的攻击，同时保证了动态社会网络发布的质量。　　(2)针对动态社会网络中攻击者拥有社会网络的社区集合以及目标对象在不同时刻的度值作为背景知识的攻击模型，本文提出了基于动态社会网络中节点社区的隐私保护技术。它的主要思想是:首先将节点按度值降序排列，然后构造分组，确保每组中节点的度值相等并且节点所属社区满足足够的多样性，这样可以同时满足目标节点的身份和所属社区被识别出来的概率均不超过1/k。此外，本文在对社会网络图进行匿名操作时，引入隶属度的概念，当组中节点的社区属性需变化时，优先考虑将节点中改变社区归属的难易度最小的节点进行变换，尽量保证对社区结构的影响最小。理论分析和实验表明，本文所提出的方法可以抵御攻击者对节点社区的攻击，同时保证了社会网络数据的有效性。