Canvas is a LMS used by many colleges, universities, and K-12 schools. The primary purpose of Canvas is for the instructors to organize courses, create assignments, and enter students’ grades. Canvas LMS is a web application. The response time performance of the Canvas is essential for its users. Both instructors and students claim that they experience slow response times from this system. Given the vast numbers of users, the effect of delayed responses is multiplied by a very large number; hence, improving the performance of such a system has a large economic and social impact. Moreover, many other applications utilize a set of services that communicate to realize the overall web service; hence, the results could also positively impact other services. This thesis focuses on the Canvas when running in a Docker container environment and proposes solutions to tune the system to optimize the performance of Canvas. This thesis uses experiments on the following aspects of the Canvas: Canvas RESTful API, Canvas GUI, the underlying system of the Docker containers, Canvas webserver, VM configurations, etc. This thesis provides tuning and optimization suggestions that could benefit Canvas developers and Canvas administrators. / Canvas är en Lärplattform (eng. Learning Management System(LMS)) används av många högskolor, universitet och K-12-skolor. Canvas huvudsakliga syfte är att instruktörerna ska organisera kurser, skapa uppdrag och ange elevernas betyg. Canvas LMS är en webbapplikation. Svarstider prestanda för Canvas är avgörande för användarna. Både instruktörer och studenter hävdar att de upplever långsamma svarstider från detta system. Med tanke på det stora antalet användare multipliceras effekten av fördröjda svar med ett mycket stort antal; följaktligen har förbättring av prestanda för ett sådant system en stor ekonomisk och social inverkan. Dessutom använder många andra applikationer en uppsättning tjänster som kommunicerar för att förverkliga den övergripande webbtjänsten; därför kan resultaten också påverka andra tjänster positivt. Denna avhandling fokuserar på Canvas när den körs i en Docker-behållare miljö och föreslår lösningar för att justera systemet för att optimera prestandan för Canvas. Denna avhandling använder experiment på följande aspekter av Canvas: Canvas RESTful applikationsprogrammeringsgränssnitt (API), Canvas grafiskt användargränssnitt (GUI), det underliggande systemet för Docker-behållare, Canvas-webbserver, virtuella maskin (VM)-konfigurationer, osv. Denna avhandling ger prestanda justering och optimering förslagsom kan gynna Canvas-utvecklare och Canvas-administratörer.

In the rapidly evolving landscape of the Internet of Things (IoT), ensuring consistency and reliability becomes a top priority for a seamless user experience. In many instances, reliability is assessed through Quality of Service (QoS) metrics, sidelining traditional reliability metrics that thrive on time-dependent failure rates. The lack of a comprehensive framework that fully integrates all layers of an IoT system adds to the complexity. This gap makes it difficult to pinpoint specific areas that need improvement and to conduct a thorough assessment of the system’s reliability. This project addresses this intricate challenge, which holds significant relevance for industry professionals but remains unresolved. The project introduced an IoT architecture spanning the Power, Device, Edge, Application, and Cloud Layers. Within each layer, potential failure points were identified, and the reliability was analysed deploying time-based failure rates with an exponential distribution. Reliability Block Diagrams (RBDs) were employed to map the intricate inter-dependencies, though the framework’s adaptive nature allows for other system reliability methodologies. One of the primary outcomes of this research is the development of a new framework tailored for evaluating the reliability of various IoT system components. This framework yields insights into both system reliability and availability over time, serving as a pivotal tool for stakeholders such as device manufacturers, system integrators, network providers, and research institutions. The results show how the framework emerges as a pivotal starting point for IoT system reliability evaluation. Before this thesis, the feasibility of such a framework was uncertain, with concerns about its potential bias – being either too pessimistic or optimistic. Yet, the tangible results from this work affirm its capability to provide a balanced and reasonable reliability estimation, given the intricacies of IoT devices. This paves the way for subsequent research, enabling a deeper dive into targeted enhancements and fostering a nuanced understanding of IoT reliability. / I det snabbt föränderliga IoT-landskapet (Internet of Things) är det av högsta prioritet att säkerställa konsekvens och tillförlitlighet för en sömlös användarupplevelse. I många fall bedöms tillförlitligheten med hjälp av QoSmått (Quality of Service), vilket innebär att traditionella tillförlitlighetsmått som bygger på tidsberoende felfrekvenser åsidosätts. Avsaknaden av ett heltäckande ramverk som integrerar alla lager i ett IoT-system bidrar till komplexiteten. Denna brist gör det svårt att identifiera specifika områden som behöver förbättras och att göra en grundlig bedömning av systemets tillförlitlighet. Detta projekt tar itu med denna komplicerade utmaning, som har stor relevans för branschfolk men som fortfarande inte har lösts. Projektet introducerade en IoT-arkitektur som spänner över kraft-, enhets-, Edge-, applikationsoch molnlagren. Inom varje lager identifierades potentiella felpunkter och tillförlitligheten analyserades med hjälp av tidsbaserade felfrekvenser med en exponentiell fördelning. Tillförlitlighetsblockdiagram (RBD) användes för att kartlägga de komplicerade ömsesidiga beroendena, även om ramverkets adaptiva natur möjliggör andra metoder för systemtillförlitlighet. Ett av de främsta resultaten av denna forskning är utvecklingen av ett nytt ramverk som är skräddarsytt för att utvärdera tillförlitligheten hos olika IoT-systemkomponenter. Detta ramverk ger insikter om både systemets tillförlitlighet och tillgänglighet över tid, och fungerar som ett viktigt verktyg för intressenter som tillverkare av enheter, systemintegratörer, nätverksleverantörer och forskningsinstitutioner. Resultaten visar hur ramverket framstår som en viktig utgångspunkt för utvärdering av IoT-systemens tillförlitlighet. Före den här avhandlingen var det osäkert om ett sådant ramverk var genomförbart, med farhågor om dess potentiella partiskhet - att vara antingen för pessimistisk eller optimistisk. De konkreta resultaten från detta arbete bekräftar dock ramverkets förmåga att ge en balanserad och rimlig uppskattning av tillförlitligheten, med tanke på IoT-enheternas komplexitet. Detta banar väg för efterföljande forskning, vilket möjliggör en djupare analys av riktade förbättringar och främjar en nyanserad förståelse av IoT-tillförlitlighet.

In recent years, texture synthesis has been a heated topic in computer graphics, and the development of advanced algorithms for generating high-quality 3D textures is an area of active research. A recently proposed model, Neural Cellular Automata, can synthesize realistic 2D texture images or videos. However, due to the complexity and non-differentiable nature of 3D rendering and the lack of definition of the neighborhood on 3D mesh objects, no one has extended the 2D Neural Cellular Automata to the 3D scenario. In this master’s thesis, we propose a novel method for modeling the neighborhood relationship on 3D mesh objects, drawing inspiration from a graph variant of the Neural Cellular Automata. We also design an end-to-end 3D texture synthesis pipeline, leveraging a differentiable renderer to enable the Graph Neural Cellular Automata to learn to synthesize desired 3D textures. Our method allows users to either give the text description of the target textures or present the target texture images as the objectives. We evaluate the effectiveness of our proposed method both qualitatively and quantitatively, comparing it with the state-of-the-art method to demonstrate that it achieves comparable or better results. Furthermore, we explore the homology between the graph variant of Neural Cellular Automata and the 2D model, examining whether our proposed model preserves critical properties of the 2D model such as zero-shot generalization and self-regeneration. Finally, we analyze the limitations and potential drawbacks of our proposed method and suggest directions for future research. In summary, this thesis proposes a novel approach to synthesizing high-quality 3D textures using the Graph Neural Cellular Automata model and a differentiable renderer. Our work provides a foundation for future research in this area, and we believe that our findings will contribute to the development of advanced algorithms for 3D texture synthesis. / Under de senaste åren har textursyntes varit ett hett ämne inom datorgrafik, och utvecklingen av avancerade algoritmer för att generera högkvalitativa 3D-texturer är ett aktivt forskningsområde. En nyligen föreslagen modell, Neural Cellular Automata, kan syntetisera realistiska 2D-texturbilder eller videor. Dock, på grund av komplexiteten och den icke-differentierbara naturen av 3D-rendering och bristen på definition av grannskapet på 3D-meshobjekt, har ingen utvidgat 2D Neural Cellular Automata till 3D-scenariot. I den här masteruppsatsen föreslår vi en ny metod för att modellera grannskapsrelationen på 3D-meshobjekt, inspirerade av en grafvariant av Neural Cellular Automata. Vi utformar också en ände-till-ände 3D-textursyntes pipeline, genom att utnyttja en differentierbar renderer för att möjliggöra för Graph Neural Cellular Automata att lära sig syntetisera önskade 3D-texturer. Vår metod tillåter användare att antingen ge textbeskrivningen av måltexturerna eller presentera måltexturbilderna som målen. Vi utvärderar effektiviteten av vår föreslagna metod både kvalitativt och kvantitativt, jämför den med den mest avancerade metoden för att visa att den uppnår jämförbara eller bättre resultat. Dessutom utforskar vi homologin mellan grafvarianten av Neural Cellular Automata och 2D-modellen, undersöker om vår föreslagna modell bevarar kritiska egenskaper hos 2D-modellen som zero-shot generalisering och självregenerering. Slutligen analyserar vi begränsningarna och eventuella nackdelar med vår föreslagna metod och föreslår riktningar för framtida forskning. Sammanfattningsvis föreslår denna avhandling en ny metod för att syntetisera högkvalitativa 3D-texturer med hjälp av Graph Neural Cellular Automata-modellen och en differentierbar renderer. Vårt arbete ger en grund för framtida forskning inom detta område, och vi tror att våra fynd kommer att bidra till utvecklingen av avancerade algoritmer för 3D-textursyntes.

Sentence embedding models play a key role in the field of Natural Language Processing. They can be exploited for the resolution of several tasks like sentence paraphrasing, sentence similarity, and sentence clustering. Fine-tuning pre-trained models for sentence embedding extraction is a common practice that allows it to reach state-of-the-art performance on downstream tasks. Nevertheless, this practice usually requires labeled data sets. This thesis project aims to overcome this issue by introducing a novel technique for the automatic creation of a target set for fine-tuning sentence embedding models for a specific downstream task. The technique is evaluated on three distinct tasks: sentence paraphrasing, sentence similarity, and sentence clustering. The results demonstrate a significant improvement in sentence embedding models when employing the Smooth Inverse Frequency technique for automatic extraction and labeling of sentence pairs. In the paraphrasing task, the proposed technique yields a noteworthy enhancement of 2.3% in terms of F1-score compared to the baseline results. Moreover, it showcases a 0.2% improvement in F1-score when compared to the ideal scenario where real labels are utilized. For the sentence similarity task, the proposed method achieves a Pearson score of 0.71, surpassing the baseline model’s score of 0.476. However, it falls short of the ideal model trained with human annotations, which attains a Pearson score of 0.845. Regarding the clustering task, from a quantitative standpoint, the best model achieves a harmonic mean (calculated using DBCV and cophenetic score) of 0.693, outperforming the baseline score of 0.671. Nevertheless, the qualitative assessment did not demonstrate a substantial improvement for the clustering task, highlighting the need for exploring alternative techniques to enhance performance in this area. / Modeller för inbäddning av meningar spelar en nyckelroll inom området Natural Language språkbehandling. De kan utnyttjas för att lösa flera uppgifter som meningsparafrasering, meningslikhet och meningsklustring. Fin- och finjustering av förtränade modeller för extraktion av meningsinbäddning är en vanlig praxis som gör det möjligt att nå toppmoderna prestanda på nedströmsuppgifter. Denna metod kräver dock vanligtvis märkta datauppsättningar. Detta avhandlingsprojekt syftar till att lösa detta problem genom att introducera en ny teknik för det automatiska skapandet av en måluppsättning för finjustering av meningsinbäddningsmodeller för en specifik nedströmsuppgift. Tekniken utvärderas på tre olika uppgifter uppgifter: meningsparafrasering, meningslikhet och meningsklustring. Resultaten visar en betydande förbättring av modellerna för inbäddning av meningar när Smooth Inverse Frequency-tekniken används för automatisk extraktion och märkning av meningspar. I parafraseringsuppgiften ger den föreslagna tekniken en anmärkningsvärd förbättring på 2,3% när det gäller F1-score jämfört med baslinjens resultat. Dessutom visar den en förbättring på 0,2% i F1-score jämfört med det ideala scenariot där riktiga etiketter används. För meningslikhetsuppgiften uppnår den föreslagna metoden en Pearson-poäng på 0,71, vilket överträffar baslinjemodellens poäng på 0,476. Det faller dock under den ideala modellen som tränats med mänskliga anteckningar, vilket uppnår en Pearson-poäng på 0.845. När det gäller klustringsuppgiften uppnår den bästa modellen ur kvantitativ synvinkel ett harmoniskt medelvärde (beräknat med DBCV och cophenetic score) på 0,693, vilket överträffar baslinjens poäng på 0,671. Den kvalitativa bedömningen visade dock inte på någon väsentlig förbättring för klustringsuppgiften, vilket understryker behovet av att utforska alternativa tekniker för att förbättra prestandan inom detta område. Translated with www.DeepL.com/Translator (free version)