Programmering kan stundtals vara utmanande även för den erfarna. Det finns mängder med olika programmeringspråk som alla i sin tur har olika syntax. Programmering blir även allt mer vanligt i yrken som inte jobbar primärt inom IT. Det är därför viktigt att sänka inlärningskurvan för oerfarna programmerare.I denna studie undersöker vi vad visualisering av ett scriptspråk kan göra för att sänka inlärningskurvan och vilka potentiella fördelar eller nackdelar det för med sig. Studien utgår från aktuell forskning vid ett företag med syftet att utforma en prototyp som visualiserar ett scriptspråk. Användartester i form av intervjuer används sedan för att testa prototypen på olika målgrupper. Resultatet av intervjuerna visar att visualiseringen är till användning för både erfarna och oerfarna användare. Användingsområdena skiljer sig dock beroende på vilken erfarenhet användaren har. Det krävs därför vidare forskning för att implementera en visualisering som är anpassad för olika typer av användare. / Programming can sometimes be challenging even for the experienced. There are lots of different programming languages, each of which has different syntax. Programming is also becoming more common in professions that do not work primarily in IT. It is therefore important to lower the learning curve of inexperienced programmers.In this study we investigate what visualization of a scripting language can do to lower the learning curve and what potential benefits or disadvantages it entails. The study is based on current research at a company with the purpose of designing a prototype that visualizes a scripting language. User tests in the form of interviews are then used to test the prototype on different target groups. The results of the interviews show that the visualization is useful for both experienced and inexperienced users. The uses differ, however, depending on the experience the user has. Further research is therefore required to implement a visualization that is adapted to different types of users.

Many of the present problems that we are facing arise as unanticipated side-effects of our own actions. Moreover, the solutions implemented to solve important problems often create new problems. To avoid unintended consequences, understanding complex systems is essential in devising policy instruments and in improving environmental management. Thus, this thesis investigated systems modeling approaches to under- stand complex systems and monitor the environmental performance of management actions. The overall aim of the work was to investigate the usefulness of different systems modeling approaches in supporting environmental management. A driver- based, pressure-oriented approach was adopted to investigate systems modeling tools. Material/substance flow analysis, environmental footprinting, input-output analysis, process-based dynamic modeling, and systems dynamics modeling approaches were applied in different cases to investigate strengths and weaknesses of the tools in generating an understanding of complex systems. Three modeling and accounting approaches were also tested at different systems scales to support environmental mon- itoring. Static modeling approaches were identified as fundamental to map, account, and monitor physical resource metabolism in production and consumption systems, whereas dynamic modeling showed strengths in understanding complex systems. The results suggested that dynamic modeling approaches should be conducted on top of static analysis to understand the complexity of systems when devising and testing policy instruments. To achieve proactive monitoring, a pressure-based assessment was proposed instead of the mainstream impact/state-based approach. It was also concluded that the LCA community should shift the focus of its assessments to pressures instead of impacts. / Många nuvarande miljö- och utvecklingsproblem har uppstått som oförutsedda biverkningar av människans egna handlingar. De lösningar som prövats har i sin tur ofta skapat  nya problem. Det därför viktigt att förstå hur komplexa system fungerar och att utforma styrmedel och ledningssystem som minimerar risken för oönskade bieffekter. Den här avhandling har använt olika modelleringsmetoder för att öka förståelsen för komplexa system och bidra med kunskaper om hur miljöprestanda och förvaltningsåtgärder kan följas upp på ett mer effektivt sätt. Det övergripande syftet med arbetet var att undersöka användbarheten av olika modelleringsmetoder för att effektivisera den fysiska resurshanteringen i samhället. I arbetet har ett flödesbaserat och aktörsinriktat arbetssätt (pressure based and driver oriented approach) använts i modelleringen.  Material- och substansflödesanalys, miljöfotavtryck, input-output analys, processbaserad dynamisk modellering och systemdynamiska modelleringsmetoder studerades för att undersöka styrkor och svagheter hos de olika metoderna/verktygen.  Tre olika modellerings- och redovisningsmetoder för att stödja miljöövervakning testades också i olika systemskalor. Statiska modelleringsmetoder (räkenskaper) identifierades som grundläggande för att kartlägga, kontoföra och övervaka den fysiska resursmetabolismen i produktions- och konsumtionssystem, medan dynamisk modellering visade sin styrka i att skapa förståelse för komplexa system. Resultaten pekar på att dynamiska modelleringsmetoder bör användas som ett komplement till statiska analyser för att förstå komplexiteten i systemen när man utformar och testar styrmedel. För att uppnå proaktiv övervakning bör flödesbaserade räkenskaper utnyttjas i större utsträckning i stället för den vanliga tillstånds- och påverkansövervakningen (state/impact monitoring). En viktig slutsats är därför att LCA-samfundet bör flytta fokus i sina bedömningar från påverkan till flöden. / <p>QC 20160830</p>

Cyber security is an emerging field in the IT-sector. As more devices are connected to the internet, the attack surface for hackers is steadily increasing. Network-based Intrusion Detection Systems (NIDS) can be used to detect malicious traffic in networks and Machine Learning is an up and coming approach for improving the detection rate. In this thesis the NIDS Zeek is used to extract features based on time and data size from network traffic. The features are then analyzed with Machine Learning in Scikit-Learn in order to detect malicious traffic. A 98.58% Bayesian detection rate was achieved for the CICIDS2017 which is about the same level as the results from previous works on CICIDS2017 (without Zeek). The best performing algorithms were K-Nearest Neighbors, Random Forest and Decision Tree. / IT-säkerhet är ett växande fält inom IT-sektorn. I takt med att allt fler saker ansluts till internet, ökar även angreppsytan och risken för IT-attacker. Ett Nätverksbaserat Intrångsdetekteringssystem (NIDS) kan användas för att upptäcka skadlig trafik i nätverk och maskininlärning har blivit ett allt vanligare sätt att förbättra denna förmåga. I det här examensarbetet används ett NIDS som heter Zeek för att extrahera parametrar baserade på tid och datastorlek från nätverkstrafik. Dessa parametrar analyseras sedan med maskininlärning i Scikit-Learn för att upptäcka skadlig trafik. För datasetet CICIDS2017 uppnåddes en Bayesian detection rate på 98.58% vilket är på ungefär samma nivå som resultat från tidigare arbeten med CICIDS2017 (utan Zeek). Algoritmerna som gav bäst resultat var K-Nearest Neighbors, Random Forest och Decision Tree.