1.一种面向隐私保护的网络结构去匿名化系统，所述系统包括相连的原始社交网络获取模块、匿名社交网络生成模块、原始社交网络重建模块以及匿名社交网络检测模块；

其特征在于，

所述原始社交网络获取模块用于获取社交网络中用户的社交关系以及用户信息；

所述匿名社交网络生成模块用于通过其匿名策略单元进行匿名处理从而对原始社交网络进行匿名化；

所述原始社交网络重建模块用于根据匿名社交网络的邻接矩阵和原始社交网络的结构最优值重建出原始社交网络；

所述匿名社交网络检测模块用于从匿名社交网络中获取被匿名的社交关系。

2.根据权利要求1所述的一种面向隐私保护的网络结构去匿名化系统，其特征在于，所述原始社交网络重建模块包括第一处理单元、匿名社交网络获取单元以及辅助社交网络获取单元；所述匿名社交网络获取单元从匿名社交网络生成模块中获取匿名社交网络；所述辅助社交网络获取单元用于获取辅助社交网络；所述第一处理单元包括第一目标函数子单元、增广拉格朗日乘子子单元以及矩阵乘积子单元；根据第一目标函数子单元利用增广拉格朗日乘子子单元求解出原始社交网络的结构最优值，并通过矩阵乘积子单元将原始社交网络的结构最优值与匿名社交网络的邻接矩阵相乘获得重建后的原始社交网络。

3.根据权利要求1所述的一种面向隐私保护的网络结构去匿名化系统，其特征在于，所述原始社交网络重建模块还包括第二处理单元、匿名社交网络获取单元以及辅助社交网络获取单元；所述匿名社交网络获取单元从匿名社交网络生成模块中获取匿名社交网络；所述辅助社交网络获取单元用于获取辅助社交网络；所述第二处理单元包括第二目标函数子单元、增广拉格朗日乘子子单元以及矩阵乘积子单元；根据第二目标函数子单元利用增广拉格朗日乘子子单元求解出原始社交网络的结构最优值，并通过矩阵乘积子单元将原始社交网络的结构最优值与匿名社交网络的邻接矩阵相乘获得重建后的原始社交网络。

4.根据权利要求1所述的一种面向隐私保护的网络结构去匿名化系统，其特征在于，所述匿名社交网络检测模块包括差异边集单元、匿名边集计算单元以及匿名社交关系单元；

所述差异边集单元用于将原始社交网络重建模块中获得的原始社交网络与匿名社交网络生成模块中获得的匿名社交网络进行作差处理，以获得匿名边集；所述匿名边集计算单元用于计算出匿名社交网络中匿名边集的数量；所述匿名社交关系单元用于确定出被匿名的社交关系。

5.根据权利要求4所述的一种面向隐私保护的网络结构去匿名化系统，其特征在于，所述匿名社交关系单元用于确定出被匿名的社交关系包括用于根据获取的匿名边集数量以及匿名策略单元确定出被匿名的社交关系。

6.一种面向隐私保护的网络结构去匿名化方法，所述方法包括将社交网络抽象为无向图，其中无向图中的各个顶点作为用户，无向图中的各条边作为两个节点对应的两个用户的社交关系；将原始社交网络中用户间的社交关系进行匿名处理；对匿名社交网络进行去匿名化过程，从而获得原始社交网络中用户被匿名的社交关系；

其特征在于，去匿名化过程具体包括以下步骤：

S1、从匿名社交网络和辅助社交网络中根据增广拉格朗日乘子方法求解出原始社交网络的结构最优值；

S2、确定出匿名社交网络的邻接矩阵，将其与原始社交网络的结构最优值进行相乘，从而获得原始社交网络的邻接矩阵；

S3、根据原始社交网络的邻接矩阵得到重建后的原始社交网络，确定出原始社交网络中各个用户之间的关系，也即对匿名社交网络去匿名化；

S4、将匿名社交网络与重建后的原始社交网络进行比较，从而获得两个社交网络中的差异边集；

S5、根据差异边集的各个匿名链接项的排名计算出匿名边集，即获得匿名社交网络中被匿名的社交关系。

7.根据权利要求6所述的一种面向隐私保护的网络结构去匿名化方法，其特征在于，步骤S1中原始社交网络的结构最优值的求解方式包括通过引入辅助变量将第一目标函数分离，通过增广拉格朗日乘子方法Inexact ALM求解出分离后的第一目标函数，从而求出表示矩阵，包括匿名社交网络的表示矩阵和辅助社交网络的表示矩阵；并将匿名社交网络的表示矩阵作为原始社交网络的结构最优值，第一目标函数表示为：s.t.A(i)＝A(i)X(i)+E(i),i＝1,2；

其中，||X(i)||*为表示矩阵的核规范化形式；X(1)表示匿名社交网络的表示矩阵，X(2)表示辅助社交网络的表示矩阵；A(1)表示匿名社交网络的邻接矩阵；A(2)表示辅助社交网络的(i) (i)邻接矩阵；E 表示第i个视图的噪声项；||E ||2,1表示第i个视图的l2,1范数；λ表示噪声项的权衡参数；α表示正则化项的权衡参数；Ω(X)表示正则化项，所述正则化项表示为Ω(X)＝||X(1)-X(2)||2,1。

8.根据权利要求6所述的一种面向隐私保护的网络结构去匿名化方法，其特征在于，步骤S1中原始社交网络的结构最优值的求解方式还包括构建第二目标函数对多视图社交网络的共同结构模式进行建模，引入辅助变量使第二目标函数分离，并求得第二目标函数分离后的增广拉格朗日函数，采用增广拉格朗日乘子方法Inexact ALM求解第二目标函数的优化问题，从而求得公共表示矩阵 的最优值，并将其作为原始社交网络的结构最优值，第二目标函数表示为：其中， 为公共表示矩阵的核规范化形式；λ表示噪声项的权衡参数；||E(i)||2,1表示第i个视图的l2,1范数；A(1)表示匿名社交网络的邻接矩阵；A(2)表示辅助社交网络的邻接矩阵。

9.根据权利要求6所述的一种面向隐私保护的网络结构去匿名化方法，其特征在于，匿名边集的计算方法包括将原始社交网络与匿名社交网络的关系集作差，获得差异边集，通过公式计算出匿名边集的大小；通过对差异边集中各项的绝对值进行排序，将排名前l个匿名链接作为匿名边集。

10.根据权利要求9所述的一种面向隐私保护的网络结构去匿名化方法，其特征在于，匿名边集的大小的计算公式表示为l＝Φ(k,Ψ(A(1))/2,I)；其中，Ψ(A(1))表示A(1)的非零项的数量；k表示匿名社交网络的隐私保护度；I(·)表示匿名策略。