Mobile Crowd Sensing (MCS) or Participatory Sensing (PS) are two emerging systems as smart mobile devices become ubiquitous. One of the advantages of such a sensing system is that almost anyone with a mobile device can become a moving "sensor". However, despite the convenience, the openness of such systems is a double-edged sword: participants can misbehave and pose a threat. Usually, current MCS or PS systems are relatively weak and lack effective data sources selection mechanisms. As a result, fake or forged data can be collected, representing wrongly the sensed conditions on the surroundings, i.e. noise, moisture, etc. Therefore, a Hardened Registration Process (HRP) is proposed to provide a pre-examination on participants that are chosen to collect sensing data. There is one previous work on such a topic. It targets device examination (root, emulator, bot-net detection, etc.) for Android devices, preventing attackers from managing to register not actual but emulated devices and thus manage to effectively manipulate the collected data. The focus of this project is on enhancing the previous work and extending it with complementary mechanisms. We proposed a two-step HRP process, comprising a client detection for identifying malicious devices and server-side detection for revealing Sybil devices. We improve the previous HRP by implementing detection mechanisms in C (native) code and such an enhanced device examination process is the first step: client detection. In addition, to detect adversaries that can bypass the client detection method, we proposed an additional server-side detection to eliminate emulators and Sybil devices, adopting peer-to-peer interaction with Bluetooth Low Energy to corroborate the physical presence of the registered devices. With this enhancement, we achieve higher detection performance. Adversaries cannot easily bypass the client-side detection with rooted or emulated devices. Moreover, even if some adversaries can bypass the client-side detection, the server-side detection can prevent adversaries from registering Sybil devices more than the number of devices they own. / Mobile Crowd Sensing (MCS) eller Participatory Sensing (PS) är två framväxande system när smarta mobila enheter blir allestädes närvarande. En av fördelarna med ett sådant avkänningssystem är att nästan alla med en mobil enhet kan bli en rörlig sensor". Men trots bekvämligheten är öppenheten i sådana system ett tveeggat svärd: deltagare kan missköta sig och utgöra ett hot. Vanligtvis är nuvarande MCS- eller PS-system relativt svaga och saknar effektiva valmekanismer för datakällor. Som ett resultat kan falska eller förfalskade data samlas in, som felaktigt representerar de avkända förhållandena i omgivningen, d.v.s. buller, fukt, etc. Därför föreslås en förstärkt registreringsprocess för att ge en förundersökning av deltagare som väljs för att samla in avkänningsdata. Det finns ett tidigare arbete om ett sådant ämne. Det är inriktat på enhetsundersökning (root, emulator, bot-net-detektion, etc.) för Android-enheter, vilket förhindrar angripare från att lyckas registrera inte faktiska utan emulerade enheter och på så sätt lyckas effektivt manipulera den insamlade informationen. Fokus för detta projekt ligger på att förbättra det tidigare arbetet och utöka det med kompletterande mekanismer. Vi föreslog en tvåstegs HRP-process, som omfattar en klientdetektering för att identifiera skadliga enheter och detektering på serversidan för att avslöja Sybil-enheter. Vi förbättrar den tidigare HRP genom att implementera detekteringsmekanismer i C (native) kod och en sådan förbättrad enhetsundersökningsprocess är det första steget: klientdetektering. Dessutom, för att upptäcka motståndare som kan kringgå klientdetekteringsmetoden, föreslog vi en extra detektering på serversidan för att eliminera emulatorer och Sybil-enheter, genom att använda peer-to-peer-interaktion med Bluetooth Low Energy för att bekräfta den fysiska närvaron av de registrerade enheterna. Med denna förbättring uppnår vi högre detektionsprestanda. Motståndare kan inte lätt kringgå upptäckten på klientsidan med rotade eller emulerade enheter. Dessutom, även om vissa motståndare kan kringgå upptäckten på klientsidan, kan detekteringen på serversidan förhindra att motståndarna registrerar Sybil-enheter mer än antalet enheter de äger.

5G är något som växer fram i samhällen över hela världen. Många stormakter så som USA och Ryssland satsar mycket pengar på att skapa användningsområden för 5G, inte minst i militära sammanhang. Sverige använder idag inte 5G i militära sammanhang. Totalförsvarets forskningsinstitut FOI har dock publicerat rapporter om tänkbara användningsområden för 5G i den militära verksamheten. Detta arbete tar det ett steg längre och ser till hur 5G kan nyttjas specifikt i stridslednings- och luftbevakningsbataljonen. Arbetet har en teknisk utgångspunkt och använder teorin militär nytta. Genom att presentera och analysera sju olika funktioner i 5G. Dessa är mjukvarudefinierande nät, multiantennsystem, self-interference cancellation, hantering av flera samtidiga användare, bredbandiga mottagare och millimetervåg, multikonnektivitet vid flera bärvågor och felrättande kodning. Slutsatsen är att 5G mycket väl kan nyttjas i stridslednings- och luftbevakningsbataljonen. Många av funktionerna passar väl in i bataljonens uppgifter och system. Dock skulle det krävas en omfattande ombyggnation av den befintliga arkitekturen av system som används idag för att 5G ska vara möjligt att implementera. Anledningen till detta är att stridslednings- och luftbevakningsbataljonens system är system av system och där ett system ej går att byta ut eller lägga till utan att andra system påverkas.

Machine learning methods can be used for solving important binary classification tasks in domains such as display advertising and recommender systems. In many of these domains categorical features are common and often of high cardinality. Using one-hot encoding in such circumstances lead to very high dimensional vector representations, causing memory and computability concerns for machine learning models. This thesis investigated the viability of a binary encoding scheme in which categorical values were mapped to integers that were then encoded in a binary format. This binary scheme allowed for representing categorical features using log2(d)-dimensional vectors, where d is the dimension associated with a one-hot encoding. To evaluate the performance of the binary encoding, it was compared against one-hot and feature hashed representations with the use of linear logistic regression and neural networks based models. These models were trained and evaluated using data from two publicly available datasets: Criteo and Census. The results showed that a one-hot encoding with a linear logistic regression model gave the best performance according to the PR-AUC metric. This was, however, at the expense of using 118 and 65,953 dimensional vector representations for Census and Criteo respectively. A binary encoding led to a lower performance but used only 35 and 316 dimensions respectively. For Criteo, binary encoding suffered significantly in performance and feature hashing was perceived as a more viable alternative. It was also found that employing a neural network helped mitigate any loss in performance associated with using binary and feature hashed representations. / Maskininlärningsmetoder kan användas för att lösa viktiga binära klassificeringsuppgifter i domäner som displayannonsering och rekommendationssystem. I många av dessa domäner är kategoriska variabler vanliga och ofta av hög kardinalitet. Användning av one-hot-kodning under sådana omständigheter leder till väldigt högdimensionella vektorrepresentationer. Detta orsakar minnesoch beräkningsproblem för maskininlärningsmodeller. Denna uppsats undersökte användbarheten för ett binärt kodningsschema där kategoriska värden var avbildade på heltalvärden som sedan kodades i ett binärt format. Detta binära system tillät att representera kategoriska värden med hjälp av log2(d) -dimensionella vektorer, där d är dimensionen förknippad med en one-hot kodning. För att utvärdera prestandan för den binära kodningen jämfördes den mot one-hot och en hashbaserad kodning. En linjär logistikregression och ett neuralt nätverk tränades med hjälp av data från två offentligt tillgängliga dataset: Criteo och Census, och den slutliga prestandan jämfördes. Resultaten visade att en one-hot kodning med en linjär logistisk regressionsmodell gav den bästa prestandan enligt PR-AUC måttet. Denna metod använde dock 118 och 65,953 dimensionella vektorrepresentationer för Census respektive Criteo. En binär kodning ledde till en lägre prestanda generellt, men använde endast 35 respektive 316 dimensioner. Den binära kodningen presterade väsentligt sämre specifikt för Criteo datan, istället var hashbaserade kodningen en mer attraktiv lösning. Försämringen i prestationen associerad med binär och hashbaserad kodning kunde mildras av att använda ett neuralt nätverk.

This report investigates the viability of bitwise operations on non-scarce attribute based data structures in PostgreSQL. For applications where computation can’t be avoided, it most probably can be optimized. In an attempt of bringing the computation closer to hardware and the underlying data, operations directly on the database system are explored, taking inspiration from the research field of comparative genomics. With the case-study of an online job platform in mind, where possible matchings between candidate and job descriptions are calculated by a matching engine, a binary encoding is proposed and the computational components identified. The ultimate goal was to evaluate the scalability of the bitwise strategy with respect to the current matching engine. Through an iterative approach, this report conducts quantitative experiments on the presented components. Most notably, an implementation of the population count in the form of a C extension was introduced. It was found, that even for large sequence lengths, the operation is highly efficient. Among the chosen algorithms Lookup Table, Hamming Weight, Intrinsic functions and Unrolled Inline Assembly, the 64 bit intrinsic function displayed the best performance. Benchmarks determined, that the proposed bitwise approach is an excellent strategy for the outlined use-case. Despite the tradeoff of additional complexity in the encoding and decoding of data, the speedup is so significant, that the targeted user base of 100000 can easily be managed and allows for the deprecation of caching mechanisms. / Denna rapport undersöker gångbarheten för bitwise-operationer på icke-knappa attributbaserade datastrukturer i PostgreSQL. För applikationer där komputationen inte kan undvikas, kan den högst troligen optimeras. I ett försök att föra beräkningen närmare hårdvaran och den underliggande datan, undersöks operationer direkt på databasen med inspiration från forskningsområdet inom komparativ genomik. Med fallstudien av en online rekryteringsplattform i åtanke, där möjliga matchningar mellan kandidatoch arbetsbeskrivningar beräknas av en matchningsmotor, föreslås en binär kodning och komputationskomponenterna identifieras. Det slutgiltiga målet var att utvärdera skalbarheten hos bitwise-strategin med avseende till den aktuella matchningsmotorn. Genom ett iterativ tillvägagångssätt utför denna rapport kvantitativa experiment på de presenterade komponenterna. Framför allt infördes en implementering av population count i form av ett C-tillägg i databasen. Det visade sig att även för större sekvenslängder är operationen mycket effektiv. Bland de utvalda algoritmerna Lookup Table, Hamming Weight, Intrinsic-funktioner och Unrolled Inline Assembly, visade 64-bitars Intrisicfunktionen den bästa prestandan. Experimenten fastställde att det föreslagna bitwisetillvägagångssättet är en utmärkt strategi för den valda fallstudien. Trots avvägningen med ytterligare komplexitet vid kodning och avkodning av data är hastigheten så signifikant att ett användarantal på 100000 enkelt kan hanteras och möjliggör uteslutning av cache-mekanismer.

Syftet med denna studie är att undersöka vilka utmaningar och möjligheter F-3 lärare upplever att de möter när de tillämpar programmering i matematikundervisningen samt vilka kompetenser de anser sig behöva. Enligt tidigare forskning saknar F-3 lärare kunskaper för att lära ut matematik genom att tillämpa programmering i matematikundervisningen. Den metod som vi har använt oss av bygger på semistrukturerade intervjuer med utbildade lärare som arbetar inom F-3. Resultatet indikerar att lärarna får stöd i att utveckla sina digitala kompetenser för att undervisa om programmering så det kopplas till matematik genom att delta i kurser, genom lån av digitala hjälpmedel samt genom kollegialt lärande. Det framgår även att lärarna på olika sätt försöker bidra till att eleverna lär sig matematik när de undervisar om programmering, bland annat genom att använda och upprepa matematiska begrepp, eller genom att ge uppgifter till eleverna som handlar om problemlösning men som liknar problemställningar som återfinns inom programmering. Lärarna lyfter flera utmaningar kopplat till matematikundervisning där programmering ingår, bland annat att tiden inte räcker till samt brister i de läromedel som finns att tillgå. Att få unga elever att förstå kopplingen till matematik beskrivs också som en utmaning. Däremot ser lärarna att matematikens koppling till programmering är en möjlighet att väcka lusten för matematik eftersom barnen tycker programmering är roligt. Studiens slutsatser är att lärarna utvecklar de digitala kompetenser som de behöver för att använda programmering i matematikundervisningen genom stöd från organisationen på olika sätt, att lärarna möter olika utmaningar när eleverna programmerar under matematiklektioner på grund av elevernas ålder eftersom de ser programmering som en lek. Samtidigt kan denna utmaning ses som en möjlighet eftersom så länge eleverna upplever att programmering är lekfullt så leder det till att eleverna blir mer engagerade och intresserade under matematiklektionerna. / The purpose of this study is to investigate the challenges and opportunities F-3 teachers will encounter when applying programming in teaching mathematics and the competencies they need while doing so. According to previous research, F-3 teachers do not possess the necessary skills in teaching mathematics by applying programming in the education process. The methodology used in this study is based on semi-structured interviews with trained teachers who work within F-3. The research results indicated that teachers are able to enhance their competences and skills by participating in educational courses and collegial learning opportunities as well as borrowing digital aids. In addition, teachers have proven to utilize various mathematics skills while teaching programming: using and repeating mathematical concepts, as well as assigning problem-solving tasks, similar to problems observed in programming, are the two approaches used to enrich students’ learning. The teachers raised several challenges associated with mathematics teaching where programming is included: not having sufficient time to explore the concepts, as well as inadequate teaching materials for such subjects. Engaging young students to comprehend the connection between mathematics and programming is also described as a challenge. On the other hand, teachers perceive that the connection between mathematics and programming is an opportunity to cultivate student’s passion in mathematics, since children find programming to be fun and appealing. To conclude, this study demonstrates that teachers are able to acquire digital competences through various forms of support from the school. They need such skills when using programming in their mathematics teaching. Yet, teachers will certainly face different challenges when students attempt programming during mathematics lessons. Due to their young age, some students see programming as a game, and this causes an extra challenge in the teaching process. At the same time, this challenge can be seen as an opportunity because as long as students perceive programming as enjoyable and appealing, it leads to them being more engaged and interested during math lessons.

”You can scroll but you can’t hide - a qualitive study of three age groups critique and resistance against sponsored posts on Instagram” Author: Sofia PetterssonCourse: Applied strategic communications The aim of this study is to investigate and try to make sense of the critical thinking and following resistance by three age groups against sponsored posts on Instagram. The theoretical background of the study includes Stuart Halls model of encoding/decoding, and Michel Foucaults abstract theories of power/knowledge. The investigative method through which the empirical materials have been gathered is three focus group interviews with three different age groups — 12-16 years old, 19-29 years old and 30-55 years old. To analyze the statements gathered in the focus group interviews, the method of discourse psychology have been applied to the material. The aim of this was to bring forth the repertoars which the groups use to construct reality according to them, and to try and understand how they construct their own identities, both within the group but also the individual.The results were somewhat inconclusive. The study shows that though the older the more consequential the groups think, the method for resistance varied a lot. The youngest group showed some critical thinking and shows tendencies to avoid the advertisements by leaving Instagram. The problem with this group is that they don’t really know why they do this. And they don’t display any deeper understanding as to why they think the way they do. The group 19-29 years showed a more complex understanding of consequences and their critical thinking is more well rounded. In spite of this, this group doesn't show much resisting behavior. The oldest group was the most critical, and talked about more consequential subjects and problems with this kind of advertising. Furthermore, the oldest group had the most knowledge about the technical structures that the sponsored posts are made of and therefore has the best position for resisting the marketing techniques in place. The study is 42 pages long.

Various research has shown the potential and robustness of deep learning-based approaches to synthesise novel motions of 3D characters in virtual environments, such as video games and films. The models are trained with the motion data that is bound to the respective character skeleton (rig). It inflicts a limitation on the scalability and the applicability of the models since they can only learn motions from one particular rig (domain) and produce motions in that domain only. Transfer learning techniques can be used to overcome this issue and allow the models to better adapt to other domains with limited data. This work presents a study of three transfer learning techniques for the proposed Objective-driven motion generation model (OMG), which is a model for procedurally generating animations conditioned on positional and rotational objectives. Three transfer learning approaches for achieving rig-agnostic encoding (RAE) are proposed and experimented with: Feature encoding (FE), Feature clustering (FC) and Feature selection (FS), to improve the learning of the model on new domains with limited data. All three approaches demonstrate significant improvement in both the performance and the visual quality of the generated animations, when compared to the vanilla performance. The empirical results indicate that the FE and the FC approaches yield better transferring quality than the FS approach. It is inconclusive which of them performs better, but the FE approach is more computationally efficient, which makes it the more favourable choice for real-time applications. / Många studier har visat potentialen och robustheten av djupinlärningbaserade modeller för syntetisering av nya rörelse för 3D karaktärer i virtuell miljö, som datorspel och filmer. Modellerna är tränade med rörelse data som är bunden till de respektive karaktärskeletten (rig). Det begränsar skalbarheten och tillämpningsmöjligheten av modellerna, eftersom de bara kan lära sig av data från en specifik rig (domän) och därmed bara kan generera animationer i den domänen. Kunskapsöverföringsteknik (transfer learning techniques) kan användas för att överkomma denna begränsning och underlättar anpassningen av modeller på nya domäner med begränsade data. I denna avhandling presenteras en studie av tre kunskapsöverföringsmetoder för den föreslagna måldriven animationgenereringsnätverk (OMG), som är ett neural nätverk-baserad modell för att procedurellt generera animationer baserade på positionsmål och rotationsmål. Tre metoder för att uppnå rig-agnostisk kodning är presenterade och experimenterade: Feature encoding (FE), Feature clustering (FC) and Feature selection (FS), för att förbättra modellens lärande på nya domäner med begränsade data. All tre metoderna visar signifikant förbättring på både prestandan och den visuella kvaliteten av de skapade animationerna, i jämförelse med den vanilla prestandan. De empiriska resultaten indikerar att både FE och FC metoderna ger bättre överföringskvalitet än FS metoden. Det går inte att avgöra vilken av de presterar bättre, men FE metoden är mer beräkningseffektiv, vilket är fördelaktigt för real-time applikationer.

With the era of wirelessly connected Internet of Things (IoT) devices on the horizon, eective data processing algorithms for IoT devices are of increasing importance. IoT devices often have limited power and computational resources, making data processing on the device unfeasible. Computational ooading, where the raw data is transmitted to a separate server, places a high load on the communication network, which in some cases may be prohibitively expensive. A split computing framework where some data pre-processing is done on the device, but the bulk of computations are done on a server at the network edge, provides a compromise between these limitations. Here, we employ a split computing framework in a semantic communication setting, where the semantic task is image classification. The system should fulfill three design requirements: low computational load on the IoT device, low load on the communication network, and good classification performance. We investigate the performance of two neural network structures: the first network is based on the VGG16 image classification network, and the second is the VGG16 network is augmented by separate encoder and decoder networks. The results are promising under both ideal and non-ideal channel conditions, where the first network gives good classification performance and low load on the communication network. The second network has low load on the IoT device, but surprisingly poor classification performance. Finally, we provide important insights into design choices and pitfalls, particularly reagrding network architecture and training, and hope that these results can aid future work in semantic communication systems. / I takt med att allt fler av våra system kopplas upp för kommunikation via internet, så kallad Internet of Things (IoT), får eektiva databehandlingsalgoritmer för dessa enheter av allt större betydelse. IoT-enheter har ofta begränsat minne, batteritid, och beräkningsresurser, vilket försvårar databehandling på enheten. Beräkningsavlastning, där rådata skickas till en separat server för behandling, kan leda till en hög belastning på kommunikationsnätverket, vilket i vissa fall är kostsamt. Att dela upp beräkningarna, där viss bearbetning av data görs på enheten men huvuddelen av beräkningarna görs på en server, är kompromiss mellan dessa två begränsningar. Här använder vi ett delat beräkningsramverk för semantisk kommunikation, där den semantiska uppgiften är bildklassificering. Systemet ska uppfylla tre designkrav: låg arbetsbelastning på IoT-enheten, låg belastning på kommunikationsnätverket och god klassificeringsprestanda. Vi undersöker två neurala nätverksstrukturer: den första är baserad på bildklassificeraren VGG16, och i den andra är VGG16-nätverket utökat med separata kodar- och avkodarnätverk. Resultaten är lovande under både ideala och icke-ideala förhållanden i kommunikationskanalen, där det första nätverket ger god klassificeringsprestanda och låg belastning på kommunikationsnätverket. Det andra nätverket har låg belastning på IoT-enheten, men överraskande dålig klassificeringsprestanda. Vi ger även viktiga insikter i designval och fallgropar, specifikt gällande nätverkens arkitektur och träning, och hoppas att dessa resultat kan gagna framtida arbete inom semantiska kommunikationssystem.

This study explored Swedish upper secondary school students’ use of programming for mathematical purposes. The aim of the study was to investigate the process through which students learn how to use a programming environment as a technical artefact during mathematical problem solving and how the orchestration of such learning situations could facilitate this process. In order to study the students’ use of the programming environment, design-based research was used as the main methodological approach. The design involved the development of specific mathematical tasks to be tried out with students, as well as the orchestration of the learning situation within the classroom e.g., by preparing scaffolding to be offered to the students. The subsequent implementation of the design was analysed so that, in accordance with the cyclic approach of design-based research, it could be revised ahead of the following design cycle. The study involved two complete design cycles. In the study, the Instrumental Approach was used as the theoretical framework and the instrumental genesis of the students in using a programming environment for mathematical purposes was thus of special interest. In order to analyse this process and the associated mental schemes developed by the students, Vergnaud’s concept of scheme served as an analytical framework. The findings revealed how the students, despite having basic knowledge in programming, experienced several difficulties when trying to use the programming environment as a technical mathematical artefact. These difficulties were related both to the fact that the mathematical affordances offered by the programming environment were unclear to many of the students, as well as to the handling of more specific computational concepts such as nested loops. The findings also revealed that the transformation of mathematical notations and ideas into programming code caused students difficulties. / This study explored Swedish upper secondary school students’ use of programming for mathematical purposes. The aim of the study was to investigate the process through which students learn how to use a programming environment as a technical artefact during mathematical problem solving and how the orchestration of such learning situations could facilitate this process. In order to study the students’ use of the programming environment, design-based research was used as the main methodological approach and the Instrumental Approach served as the theoretical framework. The design involved the development of mathematical tasks to be tried out with students, as well as the orchestration of the learning situation within the classroom. The findings revealed how the students experienced several difficulties when trying to use the programming environment as a technical mathematical artefact. These difficulties were related to the fact that the mathematical affordances offered by the programming environment initially were unclear to many of the students, as well as to the handling of more specific computational concepts such as nested loops. The findings also revealed that the transformation of mathematical notations and ideas into programming code caused students difficulties.

There is a lack of low toxicity, specific anticancer therapies and in many cancer types there are limited effective treatments. Enhancer RNAs are noncoding RNA transcripts transcribed from enhancer regions. Increasing evidence of the function of eRNA in gene regulation suggests the possibility of eRNA involvement in cancer development. This report examines literature on enhancer RNA as a potent component in transcription control specifically in cancer development. Therefore, I conducted a systematic literature review to further clarify the involvement of eRNAs in cancer. There is strong evidence of eRNA upregulating oncogenes. For instance, the eRNA (CCAT1) upregulates the oncogene MYC in colorectal cancer. Other eRNAs were also found to be required for p53-dependent cell-cycle arrest and tumour inhibition. A study showed the interplay of a long noncoding RNA with eRNAs in p53-regulated enhancers, while another showed p53-bound enhancer regions transcribing an eRNA which mediates G1 arrest, DNA repair, and tumorigenesis through its interaction with the (BRCA2) gene. Finally, a study across numerous cancer patient samples revealed a cancer/lineage specificity of eRNAs and explored the clinical feasibility of eRNA-targeted therapy. These studies demonstrate how eRNAs can be a link in cancer signalling pathways both as a regulator of oncogenes and tumour suppressor genes, as well as suggest a promising future of eRNA-targeted cancer therapy.