With the large amount of personal data being shared on social media platforms, there is an increased security risk involved. Individuals are reliant on companies keeping their promises of securely handling personal data. Despite this, previous incidents such as the Cambridge Analytica incident have unveiled issues with the model of trusting a single entity to handle personal data safely. Instead of relying on a single entity keeping their promise, a different type of social media platform has started to emerge that decentralizes control over data. This type of social media platform that removes trust in a central entity, is called a decentralized social media platform. There are a plethora of decentralized social media platforms each relying on different heuristics for creating the network. Depending on the network structure which is the backbone of the platform, each network can have a different degree of centrality. If a decentralized social media platform’s network becomes too centralized, some entities in the network can gain larger control of the network, defeating its intended purpose. To prevent this, studying the network that comprises the platform can be fruitful. The science of network analysis can aid in finding the optimal network structure that best fits a decentralized social media platform. This study has examined five different network generation algorithms with a number of permutations in search of the network generation algorithm that best fits a decentralized social media platform. Each algorithm has generated 1,000 networks which were then used in one-way ANOVA tests to observe differences between the measurements. Four network centralization measures and a network efficiency measure have been used to determine the algorithm that minimizes centralization, while still being functional. The results indicate that, out of the five algorithms, the k-degree algorithm best fits a decentralized social media platform. / Med den stora andelen personlig data som delas på sociala medieplattformar, medför det en ökad säkerhetsrisk. Individer är beroende av att företag håller sina löften kring säkerhetshantering av personlig data. Trots detta har tidigare incidenter som Cambridge Analytica-incidenten avslöjat problem med modellen där individer behöver ha fullt förtroende att en enskild aktör ska hantera personlig data på ett säkert sätt. Istället för att ha förtroende att en enskild aktör ska hålla sitt löfte, har en ny typ av social medieplattform dykt upp som decentraliserar kontrollen över data. Denna typ av social medieplattform som avlägsnar förtroendet i centrala aktörer kallas för en decentraliserad social medieplattform. Det finns en stor andel decentraliserade sociala medieplattformar som beror av olika heuristiker för att bygga nätverket. Baserat på nätverksstrukturen, som är grunden till plattformen, så kan varje nätverk ha olika grad av centralisering. Omen decentraliserad social medieplattforms nätverk blir för centraliserad, kan ett par aktörer i nätverket få större kontroll över nätverket, vilket motverkar dess avsedda syfte. För att förhindra detta kan det vara givande att studera nätverket som är underlag för plattformen. Vetenskapen om nätverksanalys kan bidra att hitta den optimala nätverksstrukturen som på bästa sätt passar en decentraliserad social medieplattform. Denna forskning har undersökt fem olika nätverksgenerande algoritmer med ett antal permutationer för att söka den nätverksgenerande algoritm som bäst passar en decentraliserad social medieplattform. Varje algoritm har generat 1,000 nätverk som sedan använts i ett antal one-way ANOVA test för att observera skillnader mellan mätningarna. Fyra centraliseringmått och ett effektivitetmått har använts för att bestämma den algoritm som minimerar centraliseringen men som fortfarande är funktionell. Resultaten indikerar att, av de fem algoritmerna, passar k-gradsalgoritmen en decentraliserad social medieplattform bäst.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-304430 |
| Date | January 2021 |
| Creators | Obreykov, Nicky |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2021:631 |
Page generated in 0.0022 seconds