Con la evolución de la tecnología de Internet, los sitios de redes sociales han ganado mucha popularidad. Las personas hacen nuevos amigos, comparten sus intereses, experiencias en la vida, etc. Con estas actividades en los sitios sociales, las personas generan una gran cantidad de datos que son analizados por terceros para diversos propósitos. Como tal, publicar datos sociales sin proteger la información privada o confidencial de un individuo puede ser peligroso. Para proporcionar protección de privacidad, este documento propone un nuevo enfoque de anonimización de grado -NDDP, que extiende el concepto de -anonimato y privacidad diferencial basado en Node DP para los grados de vértices. En particular, este documento considera revelaciones de identidad en datos sociales. Si el adversario obtiene eficientemente conocimiento previo sobre el grado de la víctima y las conexiones de vecinos, puede volver a identificar a su víctima a partir de los datos sociales incluso si se elimina la identidad del usuario. La contribución de este documento es doble. En primer lugar, se propone un método simple y, al mismo tiempo, efectivo -NDDP. El método es la extensión de -NMF, es decir, el método de vanguardia para proteger contra el ataque de amigos mutuos, para defenderse contra las revelaciones de identidad agregando ruido a los datos sociales. En segundo lugar, se evalúa la privacidad lograda utilizando el concepto de privacidad diferencial. Un estudio empírico extenso muestra que para diferentes valores de, la divergencia producida por -NDDP para CC, BW y APL no es superior a, también se agregan enlaces ficticios en menor medida, en comparación con el enfoque -NMF, por lo que se valida que el enfoque propuesto -NDDP proporciona una fuerte privacidad al tiempo que mantiene la utilidad de los datos.