1.一种面向社交网络的协作式个性化边差分隐私保护方法，其特征在于，所述方法包括：获取社交网络的社交图以及用户隐私策略对；

根据预设秘密规范将所述社交图的边划分为敏感子集和非敏感子集，并根据所述用户隐私策略对中的用户秘密规范生成所述敏感子集的协同秘密规范；

利用协函数公式计算所述社交图中敏感子集的隐私预算，并根据所述隐私预算生成协同隐私规范；

整合所述协同秘密规范和所述协同隐私规范得到协同隐私策略对；

根据随机取样方法对所述社交图进行随机取样，得到社交取样图，并根据所述社交图和所述协同隐私策略对，利用预设的边差分隐私机制对所述社交取样图进行边差分隐私保护，并返回噪声查询结果；

其中，所述根据预设秘密规范将所述社交图的边划分为敏感子集和非敏感子集，包括：将所述社交图中所有边的敏感子集和非敏感子集初始化为空集；

遍历所述社交图中所有边，并判断所述所有边中的边是否满足预设秘密规范；

在所述边满足预设秘密规范时，则判断所述边为敏感边，汇总所有所述敏感边得到所述敏感子集；

在所述边不满足所述预设秘密规范时，则判断所述边为非敏感边，汇总所有非敏感边得到非敏感子集；

其中，所述遍历所述社交图中所有边，并判断所述所有边中的边是否满足预设秘密规范，包括：采用下述公式判断所述所有边中的边是否满足预设秘密规范：遍历所述社交图G(V，E)中每条边，并对边进行敏感度归类；

若 则Es＝Es∪eij；

若 则Ens＝Ens∪eij；

其中，eij∈E，E＝Es∪Ens，所述 表示为协同秘密规范，E为所述社交图中所有边的集合，Es为敏感子集，Ens为非敏感子集，eij代表节点vi和vj之间的边，Si表示第i个用户的秘密规范，Sj表示第j个用户的秘密规范；

其中，利用预设的边差分隐私机制对所述社交取样图进行边差分隐私保护，包括：根据所述社交图和所述协同隐私策略对，若存在随机算法使得所述社交取样图的节点*和边都属于社交图的S‑邻域内且满足预设的差分隐私公式时，完成边差分隐私保护；其中，所述预设的差分隐私公式包括：其中，Pr为概率函数，M(·)为随机算法，Z为所述随机算法的任意子集，ΦC(e)为协同隐私策略对，G为社交图，G′为社交取样图。

2.如权利要求1所述的面向社交网络的协作式个性化边差分隐私保护方法，其特征在于，所述利用协函数公式计算所述社交图中敏感子集的隐私预算，并根据所述隐私预算生成协同隐私规范，包括：根据所述社交图和所述用户隐私要求，利用协函数公式对所述敏感子集中的边进行隐私预算计算，根据等概率选择规范对所述隐私预算进行选择，得到所述协同隐私规范。

3.如权利要求1所述的面向社交网络的协作式个性化边差分隐私保护方法，其特征在于，所述根据随机取样方法对所述社交图进行随机取样，包括：判断所述敏感子集中每条敏感边是否小于预设的隐私阈值；

在所述敏感子集中敏感边小于预设的隐私阈值时，计算所述敏感边的取样概率；

在所述敏感子集中敏感边不小于预设的隐私阈值时，对所述敏感子集中的敏感边进行全部取样。

4.一种面向社交网络的协作式个性化边差分隐私保护装置，其特征在于，所述装置可以实现如权利要求1至3中任意一项所述的面向社交网络的协作式个性化边差分隐私保护方法，所述装置包括：社交网络信息获取模块，用于获取社交网络的社交图以及用户隐私策略对；

协同隐私策略对获取模块，用于根据预设秘密规范将所述社交图的边划分为敏感子集和非敏感子集，并根据所述用户隐私策略对中的用户秘密规范生成所述敏感子集的协同秘密规范；利用协函数公式计算所述社交图中敏感子集的隐私预算，并根据所述隐私预算生成协同隐私规范；整合所述协同秘密规范和所述协同隐私规范得到协同隐私策略对；

差分隐私保护模块，用于根据随机取样方法对所述社交图进行随机取样，得到社交取样图，并根据所述社交图和所述协同隐私策略对，利用预设的边差分隐私机制对所述社交取样图进行边差分隐私保护，并返回噪声查询结果。

5.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至3中任意一项所述的面向社交网络的协作式个性化边差分隐私保护方法。

6.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3中任意一项所述的面向社交网络的协作式个性化边差分隐私保护方法。