本文提出 PriDyG，一个面向动态图推断的隐私保护框架，旨在解决关系型数据上的图推断可能泄露敏感边信息的问题。在动态图中，模型反复更新会导致隐私损失累积，使得问题更加严重。作者形式化了边级差分隐私动态图推断（EDG）问题，并设计了一种结合 GNN 结构学习与 LLM 语义推理的私有推断框架。PriDyG 的核心创新是增量式私有多跳聚合机制：它缓存新到达的边，并确保每条边只被处理一次。通过并行组合性质，总隐私成本等价于单次静态发布的隐私成本，与模型更新的次数或调度无关。与几何衰减的预算分配方法相比，增量聚合避免了指数增长的噪声，同时保留精确的一跳信号和至少一半的二跳信息传递。此外，PriDyG 利用仅基于节点文本的 LLM 预测来补充私有化的 GNN 输出，不产生额外的边级隐私成本。在四个基准数据集上的节点分类和链接预测实验中，PriDyG 在相同隐私预算下持续优于几何衰减基线，并匹配朴素逐次更新重训练的工具性，同时将累积隐私成本降低最多三个数量级。该研究适用于关注隐私保护图学习、动态图分析以及 LLM 与 GNN 协作机制的研究人员和工程师。