The onboarding process is one of the most critical moments to ensure theproductiveness of new employees, and companies are constantly striving to maketheirs better and more effective. One way to achieve this is to create a moreengaging and memorable experience for the employee but without the expenseof feedback to the employer.This thesis aims to create a reliable way for a company to oversee the progressof their new employee and efficiently get them up to speed through developinga back­end system for a new onboarding application. The application shows theemployee lists of tasks they can complete, earning experience and leveling up asthey complete them. The employer view should give oversight of how far along anew employee is and create new introductory tasks if they so desire.The thesis managed to build a modular back­end system by utilizing RESTarchitecture and MVC design and technologies such as ORM’s and HTTP todisplay information to the employer through a web interface and interact withthe mobile application. / Onboardingprocessen är ett av de mest kritiska ögonblicken för att säkerställaproduktiviteten hos nyanställda, och företag strävar ständigt efter att göra derasbättre och mer effektiv. Ett sätt att uppnå detta är att skapa en mer engagerandeoch minnesvärd upplevelse för den anställde men utan bekostnaden för feedbacktill arbetsgivaren.Denna uppsats antar problemet att skapa ett tillförlitligt sätt för ett företag attövervaka utvecklingen över nya medarbetare och effektivt få dem att kommaigång. Detta genom att utveckla ett backend­system för en ny onboardingapplikation. Applikationen visar de anställda flertal listor över uppgifter värdaolika poäng som de kan utföra för att intjäna erfarenhetspoäng och uppnå nyanivåer. Arbetsgivarens syn bör ge en överblick över hur långt en ny anställdhar kommit och möjligheten till att skapa nya introduktionsuppgifter om de såönskar.Projektet lyckades bygga ett modulärt backend­system genom att användaREST­arkitektur och MVC­design och tekniker som ORM och HTTP för attvisa information till arbetsgivaren via ett webbgränssnitt och interagera medmobilapplikationen.

Distributed simulations require efficient communication to represent complex scenarios, which presents a great challenge. This paper investigates the use of message-oriented middleware (MOM) to address this challenge by integrating the flight simulator X-Plane with the tactical simulator TACSI and evaluating the performance of different data transfer approaches. The study assesses performance by measuring the maximum sustainable throughput (MST) and the latency of a publish-subscribe-based MOM system. Two data distribution methods are compared: single-topic publishing and publishing to multiple subtopics. The results show that single-topic publishing achieves higher MST and lower latency when transmitting the same data volume. These findings provide valuable insights for deciding the state distribution method for publish-subscribe MOM systems. Additionally, this study highlights the limitations of manual determination of MST and underlines the need for accurate performance measurement techniques. / Distribuerade system kräver effektiv kommunikation för att representera komplexa scenarion, vilket utgör en betydande utmaning. Denna rapport använder meddelandeorienterad mellanprogramvara (MOM) för att angripa denna utmaning genom att integrera flygsimulatorn X-Plane med den taktiska simulatorn TACSI och sedan utvärdera prestandan av olika dataöverföringsmetoder. Studien utvärderar prestandan genom att mäta den maximala genomströmningskapaciteten och latensen på ett publish-subscribe-baserat MOM-system. Två dataöverföringsmetoder jämförs: single-topic publicering och publicering på flera subtopics. Resultatet visar att single-topic publicering ger högre maximal genomströmningskapacitet och lägre latens vid samma mängd data. Dessa upptäckter ger värdefulla insikter när man ska bestämma metod för dataöverföring i publish-subscribe-baserade MOM-system. Slutligen visar denna studie på begränsningarna med att manuellt bestämma MST och behovet av mer noggranna tekniker för att mäta maximal genomströmningskapacitet.

Message-oriented middleware (MOM) is a middleware used for communication between applications. There are many different MOM technologies available today, each offering different performance (throughput and latency). The performance of MOMs depends on both message size and message guarantee settings used. The problem is that it can be difficult for users to know which MOM they should choose given their requirements. The goal was to create a performance (latency and throughput) comparison of three popular MOMs; Apache Kafka, RabbitMQ and Nats Streaming. The result shows that Kafka is the best performing MOM for smaller message sizes (under 512 bytes). RabbitMQ has the best performance for larger message sizes (over 32768 bytes). Nats Streaming only outperformed the other message system for a few combinations of message guarantee settings with the message size 4096 bytes. / Meddelandeorienterad mellanprogramvara (MOM) är mellanprogramvara som används för kommunikation mellan applikationer. Det finns många MOM system som erbjuder olika prestanda (genomströmning och latens). Prestandan är beroende av vilka meddelandegarantier som används samt meddelande storlek. Detta gör det svårt för användare att välja MOM utifrån sina krav. Målet är därför att jämföra tre populära MOMs; Apache Kafka, RabbitMQ och Nats Streaming. Resultaten visar att Kafka presterar bäst med små meddelandestorlekar (Under 512 bytes). RabbitMQ presterar bäst för större meddelanden (Över 32768 bytes) medans Nats Streaming enbart presterar bäst med ett begränsat antal meddelandegarantier och med en meddelandestorlek på 4096 bytes.

Big Data workflows are composed of multiple orchestration steps that perform different data analytics tasks. These tasks process heterogeneous data using various computing and storage resources. Due to the diversity of application domains, involved technologies, and complexity of data sets, the design and implementation of Big Data workflows require the collaboration of domain experts and technical experts. However, existing tools are too technical and cannot easily allow domain experts to participate in the process of defining and executing Big Data workflows. Moreover, the majority of existing tools are designed for specific applications such as bioinformatics, computational chemistry, and genomics. They are also based on specific technology stacks that do not provide flexible means of code reuse and maintenance. This thesis presents the design and implementation of a Big Data workflow solution based on the use of a domain-specific language (DSL) for hiding complex technical details, enabling domain experts to participate in the process definition of workflows. The workflow solution uses a combination of software container technologies and message-oriented middleware (MOM) to enable highly scalable workflow execution. The applicability of the solution is demonstrated by implementing a prototype based on a real-world data workflow. As per performed evaluations, the proposed workflow solution was evaluated to provide efficient workflow definition and scalable execution. Furthermore, the results of a set of experiments were presented, comparing the performance of the proposed approach with Argo Workflows, one of the most promising tools in the area of Big Data workflows. / Big Data-arbetsflöden består av flera orkestreringssteg som utför olika dataanalysuppgifter. Dessa uppgifter bearbetar heterogena data med hjälp av olika databehandlings- och lagringsresurser. På grund av stora variationen av tillämpningsområden, den involverade tekniken, och komplexiteten hos datamängderna, kräver utformning och implementering av Big Data-arbetsflöden samarbete mellan domänexperter och tekniska experter. Befintliga verktyg är dock för tekniska och vilket försvårar för domänexperter att delta i processen att definiera och genomföra Big Data-arbetsflöden. Dessutom är majoriteten av befintliga verktyg utformade för specifika tillämpningar, som bioinformatik, beräkningskemi och genomik. Verktygen är också baserade på specifika teknikstackar som inte erbjuder flexibla metoder för att kunna underhålla och återanvända kod. Denna avhandling ämnar att presentera design och implementering av en Big Data-arbetsflödeslösning som utnyttjar ett domänspecifikt språk (DSL) för att dölja komplexa tekniska detaljer, vilket gör det möjligt för domänexperter att delta i processdefinitionen av arbetsflöden. Arbetsflödeslösningen använder en kombination av mjukvaruutrustningsteknik och meddelande-orienterad mellanvara (MOM) för att möjliggöra en mer skalbar körning av arbetsflöden. Tillämpningslösningen demonstreras genom att implementera en prototyp baserad på ett verkligt dataflöde. Efter en granskning av de genomförda testerna modifierades den föreslagna arbetsflödeslösningen för att uppnå en effektiv arbetsflödesdefinition och skalbar körning. Dessutom presenteras resultaten av en uppsättning experiment där man jämför skalbarheten för det föreslagna tillvägagångssättet med Argo Workflows, ett av de mest lovande verktygen inom Big Data-arbetsflöden