Association rule hiding (ARH) is the process of modifying a transaction database to prevent sensitive patterns (association rules) from discovery by data miners. An optimal ARH technique successfully hides all sensitive patterns while leaving all nonsensitive patterns public. However, in practice, many ARH algorithms cause some undesirable side effects, such as failing to hide sensitive rules or mistakenly hiding nonsensitive ones. Evaluating the utility of ARH algorithms therefore involves measuring the side effects they cause. There are a wide array of ARH techniques in use, with evolutionary algorithms in particular gaining popularity in recent years. However, previous research in the area has focused on incremental improvement of existing algorithms. No work was found that compares the performance of ARH algorithms without the incentive of promoting a newly suggested algorithm as superior. To fill this research gap, this project compares three ARH algorithms developed between 2019 and 2022—ABC4ARH, VIDPSO, and SA-MDP— using identical and unbiased parameters. The algorithms were run on three real databases and three synthetic ones of various sizes, in each case given four different sets of sensitive rules to hide. Their performance was measured in terms of side effects, runtime, and scalability (i.e., performance on increasing database size). It was found that the performance of the algorithms varied considerably depending on the characteristics of the input data, with no algorithm consistently outperforming others at the task of mitigating side effects. VIDPSO was the most efficient in terms of runtime, while ABC4ARH maintained the most robust performance as the database size increased. However, results matching the quality of those in the papers originally describing each algorithm could not be reproduced, showing a clear need for validating the reproducibility of research before the results can be trusted. / ”Association rule hiding”, ungefär ”döljande av associationsregler” – hädanefter ARH – är en process som går ut på att modifiera en transaktionsdatabas för att förhindra att känsliga mönster (så kallade associationsregler) upptäcks genom datautvinning. En optimal ARH-teknik döljer framgångsrikt alla känsliga mönster medan alla ickekänsliga mönster förblir öppet tillgängliga. I praktiken är det dock vanligt att ARH-algoritmer orsakar oönskade sidoeffekter. Exempelvis kan de misslyckas med att dölja vissa känsliga regler eller dölja ickekänsliga regler av misstag. Evalueringen av ARH-algoritmers användbarhet inbegriper därför mätning av dessa sidoeffekter. Bland det stora urvalet ARH-tekniker har i synnerhet evolutionära algoritmer ökat i popularitet under senare år. Tidigare forskning inom området har dock fokuserat på inkrementell förbättring av existerande algoritmer. Ingen forskning hittades som jämförde ARH-algoritmer utan det underliggande incitamentet att framhäva överlägsenheten hos en nyutvecklad algoritm. Detta projekt ämnar fylla denna lucka i forskningen genom en jämförelse av tre ARH-algoritmer som tagits fram mellan 2019 och 2022 – ABC4ARH, VIDPSO och SA-MDP – med hjälp av identiska och oberoende parametrar. Algoritmerna kördes på sex databaser – tre hämtade från verkligheten, tre syntetiska av varierande storlek – och fick i samtliga fall fyra olika uppsättningar känsliga regler att dölja. Prestandan mättes enligt sidoeffekter, exekveringstid samt skalbarhet (dvs. prestation när databasens storlek ökar). Algoritmernas prestation varierade avsevärt beroende på indatans egenskaper. Ingen algoritm var konsekvent överlägsen de andra när det gällde att minimera sidoeffekter. VIDPSO var tidsmässigt mest effektiv, medan ABC4ARH var mest robust vid hanteringen av växande indata. Resultat i nivå med de som uppmättes i forskningsrapporterna som ursprungligen presenterat varje algoritm kunde inte reproduceras, vilket tyder på ett behov av att validera reproducerbarheten hos forskning innan dess resultat kan anses tillförlitliga.

Algoritmer är ett växande fenomen som blivit allt mer involverat i våra liv. Personer mellan18-30 år använder sociala medier i störst utsträckning och är den generation som anser sigmest kunnig om algoritmer. Tidigare studier påvisar användare av sociala medier endast harbegränsad kunskap rörande algoritmer och postulerar att forskning behöver göras för attfastställa konsekvenserna av att använda algoritmer på sociala medier. Med ökad användningav algoritmer på sociala plattformar är det av intresse att undersöka den åldersgrupp somanvänder sociala medier i störst utsträckning. Syftet med studien är att undersöka sambandetmellan kunskap, attityd och beteende gentemot algoritmbaserad anpassning på socialamedier. Det undersöktes genom en kvantitativ enkätundersökning med teoretisk grund imodellen Knowledge-Attitude-Behavior (KAB). Resultatet visade positiva samband mellandessa vilket kan sammanfattas som att användare med hög kunskap om anpassning har enpositiv attityd till konceptet relevansbaserad anpassning och anser att informationen omsådan är tillgänglig. Användares beteende visar på att de använder sig av plattformars verktygför att påverka anpassning själv och att det påverkar vilka plattformar de väljer att använda,samt huruvida man är villig att börja bruka en ny plattform. Denna studie har även identifieratatt KAB är ett användbart ramverk att tillämpa för denna typen av studier och lärdomar förframtida forskning framförs. / Algorithms are a growing phenomenon that has become increasingly involved in our lives.People aged 18-30 use social media the most and are the generation who consider themselvesthe most knowledgeable about algorithms. Previous studies demonstrate that social mediausers have only limited knowledge regarding algorithms and postulate that research needs tobe done to determine the implications of using algorithms on social media. With the increaseduse of algorithms on social platforms, it is of interest to examine the age group that usessocial media the most. The purpose of this study is to investigate the relationship betweenknowledge, attitude and behaviour towards algorithm-based curation on social media. It wasinvestigated through a quantitative survey with a theoretical basis in theKnowledge-Attitude-Behavior (KAB) model. The results showed positive correlationsbetween these, which can be summarized as users with high knowledge about curation have apositive attitude towards the concept of relevance-based curation and are of the opinion thatinformation about it is available. Such users' behaviour indicates that they use platform toolsto influence customisation themselves and that this influences which platforms they choose touse, as well as whether they are willing to start using a new platform. This study has alsoidentified that KAB is a useful framework to apply for this type of study and insights gainedare presented for future research.

Existing methods in Reinforcement Learning (RL) that rely on gradient estimates suffer from the slow rate of convergence, poor sample efficiency, and computationally expensive training, especially when dealing with complex real-world problems with a sizable dimensionality of the state and action space. In this work, we attempt to leverage the benefits of evolutionary computation as a competitive, scalable, and gradient-free alternative to training deep neural networks for RL-specific problems. In this context, we present a novel distributed algorithm based on an efficient model encoding that allows the intuitive application of genetic operators. Our results demonstrate improved exploration and considerable reduction of trainable parameters while maintaining comparable performance with algorithms like Deep Q-Network (DQN), Asynchronous Advantage Actor Critic (A3C), and Evolution Strategy (ES) when evaluated on Atari 2600 games. A scalability assessment of the algorithm revealed a significant parallel speedup and over 10,000 fold improvement in memory requirement. Sample efficiency improved in some experiments, but not significantly. Finally, the algorithm was applied on a Remote Electrical Tilt (RET) optimization task, the improvements in Key Performance Indicators (KPIs) show that the algorithm is also effective in other domains. / gradientskattningar är begränsade av långsam konvergenshastighet, låg samplingeffektivitet och beräkningsmässigt dyra träningsprocedurer. Detta är särskilt fallet när dessa hanterar komplexa och verkliga problem med högdimensionella tillstånds- och handlingsrum. I detta arbete försöker vi utnyttja fördelarna med evolutionär beräkning som ett konkurrenskraftigt, skalbart och gradientfritt alternativ till att träna djupa neurala nätverk för RL-specifika problem. I detta sammanhang presenterar vi en ny distribuerad algoritm baserad på en effektiv modellkodning som möjliggör intuitiv tillämpning av genetiska operatorer. Våra resultat visar ett förbättrat utforskande och en avsevärd minskning av träningsbara.

Within the area of context-sensitive code completion there is a need for accurate predictive models in order to provide useful code completion predictions. The traditional method for optimizing the performance of code completion systems is to empirically evaluate the effect of each system parameter individually and fine-tune the parameters. This thesis presents a genetic algorithm that can optimize the system parameters with a degree-of-freedom equal to the number of parameters to optimize. The study evaluates the effect of the optimized parameters on the prediction quality of the studied code completion system. Previous evaluation of the reference code completion system is also extended to include model size and inference speed. The results of the study shows that the genetic algorithm is able to improve the prediction quality of the studied code completion system. Compared with the reference system, the enhanced system is able to recognize 1 in 10 additional previously unseen code patterns. This increase in prediction quality does not significantly impact the system performance, as the inference speed remains less than 1 ms for both systems. / Inom området kontextkänslig kodkomplettering finns det ett behov av precisa förutsägande modeller för att kunna föreslå användbara kodkompletteringar. Den traditionella metoden för att optimera prestanda hos kodkompletteringssystem är att empiriskt utvärdera effekten av varje systemparameter individuellt och finjustera parametrarna. Det här arbetet presenterar en genetisk algoritm som kan optimera systemparametrarna med en frihetsgrad som är lika stor som antalet parametrar att optimera. Studien utvärderar effekten av de optimerade parametrarna på det studerade kodkompletteringssystemets pre- diktiva kvalitet. Tidigare utvärdering av referenssystemet utökades genom att även inkludera modellstorlek och slutledningstid. Resultaten av studien visar att den genetiska algoritmen kan förbättra den prediktiva kvali- teten för det studerade kodkompletteringssystemet. Jämfört med referenssystemet så lyckas det förbättrade systemet korrekt känna igen 1 av 10 ytterligare kodmönster som tidigare varit osedda. Förbättringen av prediktiv kvalietet har inte en signifikant inverkan på systemet, då slutledningstiden förblir mindre än 1 ms för båda systemen.

Digitalisering har haft allt större inverkan på samhället sedan millennieskiftet vilket har lett till omformning av metoder och vanor inom olika områden där utbildning inte är ett undantag. Den nya generationen studenters sätt att lära har påverkats av digitalisering vilket har lett till nya trender i forskning som fokuserar på användning av spel som en alternativ undervisningsmetod. Detta arbete syftar till att utforska hur ett mobilt spel med fokus på datastrukturer och algoritmer emottas av studenter på datavetenskapliga program. Studien genomfördes med forskningsstrategin Design Science med fokus på utveckling och utvärdering av en spelprototyp. Spelprototypen utvecklades med spelmotorn Unity och integrerar animering av algoritmer, interaktion med datastrukturer, återkoppling och metafor för att göra abstrakta begrepp lättare att förstå. Hur dessa integrationer påverkar studenternas attityder till inlärning analyserades genom en enkätundersökning med öppna frågor och tillämpning av en tematisk analys. Resultatet visar positiva trender i studenternas attityder till inlärning via spelet med animerad demonstration, interaktion och återkoppling. Dock är deras inställning till metaforiska spel för inlärning något skeptisk, vilket pekar på vidare undersökning av denna aspekt. Baserat på insikterna från respondenternas svar erbjuder resultatet potentialen att utveckla en förbättrad prototyp i flera iterativa cykler. Studien avslutas med att lägga fram förslag på fokus i framtida iterationer för att förfina prototypen. / Digitalization has increasingly been impacting society since the turn of the millennium, reshaping methods, and habits in various fields, including education. The learning methods of the new generation’s students have been influenced by digitalization, leading to new research trends that focus on using games as alternative teaching methods. This study aims to explore how students in computer science programs engage with a mobile game focusing on data structures and algorithms. The study was conducted using a Design Science approach focusing on the development and evaluation of a game prototype. The prototype was developed using the Unity game engine and integrates animation of algorithms, interaction with datastructures, feedback, and a metaphor to make abstract concepts easier to understand. The impact of these integrations on students' attitudes to learning was analyzed with an open-ended survey using thematic analysis. The results of the study show positive trends in students' attitudes towards learning through the game with animated demonstration, interaction, and feedback. However, their attitudes towards metaphorical games for learning are somewhat skeptical, which suggests further investigation of this aspect. Based on the insights from the respondents' answers, the result offers the potential to develop an improved prototype in several iterative cycles. The study concludes with suggestions for future iterations to refine the prototype.

The development of technology in project planning has enabled more efficient work through easier interaction and handling of complex problems. Despite the technological advancements, many companies have not yet utilized its potential, and many areas within the construction industry are in need of streamlined work processes. This study examines the possibilities of automating the design process for joints in steel structures using digital tools and artificial intelligence (AI) technologies. The digital tools examined are Tekla Structures and IDEA StatiCa, and how they, along with the developed workflow, can streamline the design process and improve the accuracy and quality of the work. Interviews with designers and AI developers have mapped out the current usage of digital tools and the perspective on automating the design process. Several challenges and limitations with the implementation of AI have been identified, such as safety risks, the need for extensive data, and human integration. To ensure that the joints are correctly designed and constructible, it is important to maintain a balance between automation and human expertise. The report aims to propose a workflow for automating the design process of joints. The proposed workflow may include various AI algorithms to achieve the best possible optimization. Some algorithms mentioned in the report are machine learning, artificial neural networks (ANN), and evolutionary algorithms (EA). These algorithms are suitable for identifying and preparing data, reading, and finding complex patterns. Previous automation of the design process for joints using digital tools has shown to reduce the time required for modeling and designing. The developed workflow can provide improved efficiency, accuracy, and quality in the design process; however, further development is required to overcome the current limitations. / Teknikens utveckling inom projektering har möjliggjort effektiviserade arbeten genom lättare samspel och hantering av komplexa problem. Trots teknikens utveckling är det många företag som ännu inte utnyttjat dess potential och många områden inom byggbranschen är i behov av en effektiviserad arbetsprocess. I denna studie undersöks möjligheterna att automatisera dimensioneringsprocessen för knutpunkter i stålkonstruktion genom användning av digitala verktyg och artificiella intelligenta (AI) teknologier. Digitala verktyg som undersöks är Tekla Structures och IDEA StatiCa och hur de tillsammans med det framtagna arbetsflödet kan effektivisera dimensioneringsprocessen och förbättra noggrannheten och kvaliteten i arbetet. Intervjuer med konstruktörer och AI-utvecklare har kartlagt den nuvarande användningen av digitala verktyg och synen på automatisering av dimensioneringsprocessen. Det har identifierats ett flertal utmaningar och begränsningar med implementeringen av AI, faktorer som säkerhetsrisker, behovet av omfattande data och mänsklig integration. För att säkerställa att knutpunkterna är korrekt dimensionerade och byggbara är det viktigt med en balans mellan automatisering och mänsklig expertis. Rapportens mål är att ta fram ett förslag på ett arbetsflöde för automatisering av dimensioneringsprocessen av knutpunkter. Det förslagna arbetsflödet kan inkludera olika AIalgoritmer för att uppnå bästa möjliga optimering. Några algoritmer som nämns i rapporten är maskininlärning, artificiella neurala nätverk (ANN) och evolutionära algoritmer (EA). Dessa algoritmer är lämpade för att identifiera och förbereda data, läsa av och hitta komplexa mönster. Tidigare automatisering av dimensioneringsprocessen för knutpunkter med hjälp av digitala verktyg har visats minska tidsåtgången för modellering och dimensionering. Det framtagna arbetsflödet kan ge en förbättrad effektivitet, noggrannhet och kvalitet i dimensioneringsprocessen, dock krävs ytterligare utveckling för att överkomma de nuvarande begräsningarna.

The aim of this thesis is to gain knowledge of how automated decision-making in Swedish public authorities affects the ability to comply with the Swedish principle of public access to official records. This is done through a Posthumanist analysis of seven qualitative interviews. With the help of the actor-network theory concept of the nonhuman actor the underlying computer programs of automated decision-making is understood as an actor who, in interaction with human actors, affects the public sector´s ability to provide the public with valuable information about how they run their organizations. The interviews were conducted with employees at two Swedish public organizations: The Swedish Board of Student Finance and Swedish Association of Local Authorities and Regions. The respondents were asked what kind of insight in the underlying computer programs for automated decision-making that they themselves and the public thought was needed. The interviews were recorded and transcribed, and provided the material for the analysis. The study shows that the employees share the opinion that insight in the automated decision-making systems are not necessary for the public. As a consequence of this, the system developers are left with exclusive knowledge of how the public sector is making decisions and the decision-making becomes invisible for a majority of the public. This is not in line with the aim of the principle of public access to official records. This is a two years master’s thesis in Archival Science.

The rise of the Internet of Things (IoT) and autonomous robots/vehicles comes with a lot of embedded electronic systems. Small printed circuit boards with microcomputers will be embedded almost everywhere. Therefore, the security and data protection of those systems will be a significant challenge to take into consideration for the future development of IoT devices. Cryptographic algorithms can be used to provide confidentiality and integrity for data transmitted between those embedded devices. It is important to know what kind of algorithm is the most suitable for the specified task and the selected embedded device.  In this thesis, several commonly used cryptographic algorithms are evaluated and an EPS32 based IoT device is chosen as the evaluation platform. ESP32 is a series of low cost and low power System-on-Chip microcontrollers with integrated Wi-Fi and dual-mode Bluetooth. Additionally, ESP32 has the hardware acceleration feature for commonly used cryptographic algorithms. The goal of this thesis is to evaluate the performances of different cryptographic algorithms on the ESP32 with and without using the hardware acceleration feature. The execution times of different cryptographic algorithms processing data with varying sizes are collected, and the performance of each cryptographic algorithm is then evaluated.  A data logging scenario is evaluated as a case study where the ESP32 periodically sends data to a remote database. Under different configurations of the ESP32, the transmission time of encrypted and non-encrypted communications via Hypertext Transfer Protocol Secure (HTTPS) and Hypertext Transfer Protocol (HTTP) will be compared.  The results can be used to simplify the calculation of performance/protection trade-offs for specific algorithms. It also shows that the built-in hardware acceleration has a significant impact on increasing those algorithms’ performances. For Advanced Encryption Standard (AES), the throughput for encryption increased by 257.8%, and for decryption 222.7%. For Secure Hash Algorithm (SHA-2), the throughput increased by 165.2%. For Rivest-Shamir-Adleman (RSA), the encryption throughput has a decrease of 40.7%, and decryption has an increase of 184%. Furthermore, the results can also aid the design and development of a secure IoT system incorporating devices built with ESP32. / Uppkomsten av Internet of Things (IoT) och autonoma robotar / fordon kommer med många inbyggda elektroniska system. Små kretskort med mikrodatorer kommer att vara inbäddade nästan överallt. Därför kommer säkerheten och dataskyddet för dessa system att vara en betydande utmaning att ta hänsyn till för den framtida utvecklingen av IoT-enheter. Kryptografiska algoritmer kan användas för att ge sekretess och integritet för data som överförs mellan de inbäddade enheterna. Det är viktigt att veta vilken typ av algoritm som är bäst lämpad för den angivna uppgiften och den valda inbäddade enheten.  I denna avhandling utvärderas flera vanliga kryptografiska algoritmer och en EPS32-baserad IoT-enhet väljs som utvärderingsplattform. ESP32 är en serie av låga och lågeffektiva system-on-chip-mikrokontroller med integrerat Wi-Fi och dual-mode Bluetooth. Dessutom har ESP32 hårdvaruaccelereringsfunktionen för vanliga kryptografiska algoritmer. Målet med denna avhandling är att utvärdera prestanda för olika kryptografiska algoritmer på ESP32 med och utan att använda hårdvaruaccelereringsfunktionen. Exekveringstiderna för olika kryptografiska algoritmer som behandlar data med olika storlekar samlas in och prestanda för varje kryptografisk algoritm utvärderas sedan.  Ett dataloggningsscenario utvärderas som en fallstudie där ESP32 regelbundet skickar data till en fjärrdatabas. Under olika konfigurationer av ESP32 jämförs överföringstiden för krypterad och icke-krypterad kommunikation via Hypertext Transfer Protocol Secure (HTTPS) och Hypertext Transfer Protocol (HTTP).  Resultaten kan användas för att förenkla beräkningen av prestanda / skydda avvägningar för specifika algoritmer. Det visar också att den inbyggda hårdvaruaccelerationen har en betydande inverkan på att öka dessa algoritmers prestanda. För Advanced Encryption Standard (AES) ökade genomströmningen för kryptering med 257,8% och för dekryptering 222,7%. För Secure Hash Algorithm (SHA-2) ökade kapaciteten med 165,2%. För Rivest-Shamir-Adleman (RSA) har krypteringsflödet minskat med 40,7% och dekryptering har ökat med 184%. Dessutom kan resultaten också hjälpa till att utforma och utveckla ett säkert IoT-system som innehåller enheter byggda med ESP32.

Forskning visar att det är vanligt med hjärtstopp utanför sjukhusen och att de oftast har en dödlig utgång om de inte får vård snarast. Många hjärtstopp sker i privata miljöer där det inte finns någon hjärtstartare, en familjemedlem eller utomstående som kan hjälpa till. Syftet med denna studie är att ta reda på hur ett distansövervakningssystem med ett användargränssnitt via en app kan utformas för att realtidsdiagnostisera hjärt-och kärlsjuka patienter utanför sjukhuset och påskynda utryckning vid hjärtstillestånd. Studien har utgått ifrån konceptdriven designforskning med en kvalitativ ansats och intervjuer med både öppna och stängda frågor. Individerna som har intervjuats är kardiologer som jobbar på den kardiologiska avdelningen på Länssjukhuset Ryhov i Jönköping. Den valda metoden har kombinerats med en litteratursökning inom sjukvårdsteknik och UX/UI-design. Studien resulterar i ett förslag på ett användargränssnitt, via en app, som erbjuder hälsoöversikt och realtidsdiagnostisering. Med hjälp av denna statistik kan algoritmer meddela användaren i appen om deras värden är normala eller onormala. Algoritmerna kan också varna användaren via notiser vid allvarliga hälsoförändringar när användaren behöver akut vård. Appen erbjuder också platslokalisering och att SOS-alarm kan direktlarmas vid de allvarliga hälsoförändringarna. Utryckning kan då påskyndas genom att SOS-alarm skickar en ambulans till platsen som patienten befinner sig på omgående. / Research shows that cardiac arrest is common outside hospitals and that they usually have a fatal outcome if they do not receive care as soon as possible. Many cardiac arrests occur in private settings where there is no pacemaker, family member or outsider who can help. The purpose of this study is to find out how a remote monitoring system with a user interface through an app can be designed to real-time diagnose patients with cardiovascular disease outside the hospital and accelerate emergency response. The study has been based on concept-driven design research with a qualitative approach and interviews with both open and closed questions. The individuals who have been interviewed are cardiologists who work in the cardiology department at Ryhov County Hospital in Jönköping. The chosen method has been combined with a literature search in healthcare technology and UX / UI design. The study results in a proposal for a user interface, through an app, which offers health overview and real-time diagnosis. Using these statistics, algorithms can notify the user in the app if their values are normal or abnormal. The algorithms can also warn the user through notifications in the event of serious health changes when the user needs urgent care. The app also offers site location and that SOS-alarm can be alerted directly in the event of serious health changes. Emergency response can then be accelerated by SOS-alarm sending an ambulance to the place where the patient is located immediately.

Web scraping is an efficient way of gathering data, and it has also become much eas- ier to perform and offers a high success rate. People no longer need to be tech-savvy when scraping data since several easy-to-use platform services exist. This study conducts experiments to see if people can scrape in an undetectable fashion using a popular and intelligent JavaScript library (Puppeteer). Three web scraper algorithms, where two of them use movement patterns from real-world web users, demonstrate how to retrieve information automatically from the web. They operate on a website built for this research that utilizes known semi-security mechanisms, honeypot, and activity logging, making it possible to collect and evaluate data from the algorithms and the website. The result shows that it may be possible to construct a web scraper algorithm with less detectability using Puppeteer. One of the algorithms reveals that it is possible to control computer performance using built-in methods in Puppeteer. / Webbskrapning är ett effektivt sätt att hämta data på, det har även blivit en aktivitet som är enkel att genomföra och chansen att en lyckas är hög. Användare behöver inte längre vara fantaster inom teknik när de skrapar data, det finns idag mängder olika och lättanvändliga plattformstjänster. Den här studien utför experi- ment för att se hur personer kan skrapa på ett oupptäckbart sätt med ett populärt och intelligent JavaScript bibliotek (Puppeteer). Tre webbskrapningsalgoritmer, där två av dem använder rörelsemönster från riktiga webbanvändare, demonstrerar hur en kan samla information. Webbskrapningsalgoritmerna har körts på en hemsida som ingått i experimentet med kännbar säkerhet, honeypot, och aktivitetsloggning, nå- got som gjort det möjligt att samla och utvärdera data från både algoritmerna och hemsidan. Resultatet visar att det kan vara möljligt att skrapa på ett oupptäckbart sätt genom att använda Puppeteer. En av algoritmerna avslöjar även möjligheten att kontrollera prestanda genom att använda inbyggda metoder i Puppeteer.