<p>I detta arbete beskrivs hur den bayesianska metodiken kan användas för att stödja en militär beslutsfattare, då denne ska fatta beslut under osäkerhet. Genom att analysera vilka parametrar som kan användas för att prediktera fiendens intentioner, tas ett bayesianskt nätverk fram, vilket implementeras och integreras i simuleringsramverket GTSIM. För att möjliggöra denna prediktering har extra funktionalitet lagts till i GTSIM, såsom att skapa olika typer av mål. Dessa mål kan sättas ut på valfria platser och senare läsas in då en fusionerad lägesbild skapas av de olika sensorer som placerats ut. Målen representerar då de olika handlingsalternativ som en simulerad fiendestyrka har, och allteftersom fiendestyrkan rör sig uppdateras sannolikheten för att de olika målen ska anfallas av den framtagna modellen. En utvärdering av den framtagna modellen och det utvecklade verktyget har gjorts, samt så har förslag på hur modellen kan utvecklas i framtiden tagits fram.</p>

I detta arbete beskrivs hur den bayesianska metodiken kan användas för att stödja en militär beslutsfattare, då denne ska fatta beslut under osäkerhet. Genom att analysera vilka parametrar som kan användas för att prediktera fiendens intentioner, tas ett bayesianskt nätverk fram, vilket implementeras och integreras i simuleringsramverket GTSIM. För att möjliggöra denna prediktering har extra funktionalitet lagts till i GTSIM, såsom att skapa olika typer av mål. Dessa mål kan sättas ut på valfria platser och senare läsas in då en fusionerad lägesbild skapas av de olika sensorer som placerats ut. Målen representerar då de olika handlingsalternativ som en simulerad fiendestyrka har, och allteftersom fiendestyrkan rör sig uppdateras sannolikheten för att de olika målen ska anfallas av den framtagna modellen. En utvärdering av den framtagna modellen och det utvecklade verktyget har gjorts, samt så har förslag på hur modellen kan utvecklas i framtiden tagits fram.

In this thesis, an approach for localizing culprits of degradation of quality measures in an IPTV streaming service using Bayesian net-work is presented. This task is referred to as Root Cause Analysis(RCA). The objective of this thesis is to develop a model that is able to provide useful information to technicians by generating a list of probable root causes in order to shorten the amount of time spent on trouble shooting. A performance comparison is presented in Section Experimental results with Bayesian models such as Naive Bayes (NB),Tree Augmented naive Bayes (TAN) and Hill Climbing (HC) and the non Bayesian methods K-Nearest Neighbors and Random Forest. The results of the RCA models indicated that the most frequent most prob-able cause of degradation of quality is the signal strength of the user’s Wi-Fi that is reported at the user’s TV box. / I detta examensarbete presenteras en metod för att lokalisera grundorsaken till nedgradering av kvalitet i en IPTV strömningstjänst. Denna uppgift refererar tillgrundorsaksanalys. Avsikten med denna tes är att utveckla en modell som kan tillförse tekniker med användarbar information genom att generera en lista med möjliga grundorsaker för att förkorta tiden som spenderas med felsökning. En prestandajämförelse är presenterad i Sektion Experimental results med de Bayesianska modellerna Naive Bayes (NB), Tree Augmented naive Bayes (TAN) och Hill Climbing (HC) samt de icke Bayesianska modellerna K-Nearest Neighbors och Random Forest. Resultatet av grundorsaksmodellerna indikerade att den mest frekventa mest sannolika grundorsaken till nedgradering av kvalitet är signal styrkan hos Wi-Fi nätverket vilket rapporteras i användarens TV-box.

Bayesian networks can be used to model the respiratory system. Their structure indicate how risk factors, symptoms, and diseases are related and the Conditional Probability Tables enable predictions about a patient’s need for hospitalization. Numerous structure learning algorithms exist for discerning the structure of a Bayesian network, but none can guarantee to find the perfect structure. Employing multiple algorithms can discover relationships between variables that might otherwise remain hidden when relying on a single algorithm. The Maximum Likelihood Estimator is the predominant algorithm for learning the Conditional Probability Tables. However, it faces challenges due to the data fragmentation problem, which can compromise its predictions. Failing to hospitalize patients who require specialized medical care could lead to severe consequences. Therefore, in this thesis, the use of an XGBoost model for learning is proposed as a novel and better method since it does not suffer from data fragmentation. A Bayesian network is constructed combining several structure learning algorithms, and the predictive performance of the Maximum Likelihood Estimator and XGBoost are compared. XGBoost achieved a maximum accuracy of 86.0% compared to the Maximum Likelihood Estimator, which attained an accuracy of 81.5% in predicting future patient hospitalization. In this way, the predictive performance of Bayesian networks has been enhanced. / Bayesianska nätverk kan användas för att modellera andningssystemet. Deras struktur visar hur riskfaktorer, symtom och sjukdomar är relaterade, och de villkorliga sannolikhetstabellerna möjliggör prognoser om en patients behov av sjukhusvård. Det finns många strukturlärningsalgoritmer för att urskilja strukturen i ett bayesianskt nätverk, men ingen kan garantera att hitta den perfekta strukturen. Genom att använda flera algoritmer kan man upptäcka relationer mellan variabler som annars kan förbli dolda när man bara förlitar sig på en enda algoritm. Maximum Likelihood Estimator är den dominerande algoritmen för att lära sig de villkorliga sannolikhetstabellerna. Men den står inför utmaningar på grund av datafragmenteringsproblemet, vilket kan äventyra dess prognoser. Att inte lägga in patienter som behöver specialiserad medicinsk vård kan leda till allvarliga konsekvenser. Därför föreslås i denna avhandling användningen av en XGBoost-modell för inlärning som en ny och bättre metod eftersom den inte lider av datafragmentering. Ett bayesianskt nätverk byggs genom att kombinera flera strukturlärningsalgoritmer, och den prediktiva prestandan för Maximum Likelihood Estimator och XGBoost jämförs. XGBoost uppnådde en maximal noggrannhet på 86,0% jämfört med Maximum Likelihood Estimator, som uppnådde en noggrannhet på 81,5% för att förutsäga framtida patientinläggning. På detta sätt har den prediktiva prestandan för bayesianska nätverk förbättrats.

Information technology has become increasingly important to individuals and organizations alike. Not only does IT allow us to do what we always did faster and more effectively, but it also allows us to do new things, organize ourselves differently, and work in ways previously unimaginable. However, these advantages come at a cost: as we become increasingly dependent upon IT services, we also demand that they are continuously and uninterruptedly available for use. Despite advances in reliability engineering, the complexity of today's increasingly integrated systems offers a non-trivial challenge in this respect. How can high availability of enterprise IT services be maintained in the face of constant additions and upgrades, decade-long life-cycles, dependencies upon third-parties and the ever-present business-imposed requirement of flexible and agile IT services? The contribution of this thesis includes (i) an enterprise architecture framework that offers a unique and action-guiding way to analyze service availability, (ii) identification of causal factors that affect the availability of enterprise IT services, (iii) a study of the use of fault trees for enterprise architecture availability analysis, and (iv) principles for how to think about availability management. This thesis is a composite thesis of five papers. Paper 1 offers a framework for thinking about enterprise IT service availability management, highlighting the importance of variance of outage costs. Paper 2 shows how enterprise architecture (EA) frameworks for dependency analysis can be extended with Fault Tree Analysis (FTA) and Bayesian networks (BN) techniques. FTA and BN are proven formal methods for reliability and availability modeling. Paper 3 describes a Bayesian prediction model for systems availability, based on expert elicitation from 50 experts. Paper 4 combines FTA and constructs from the ArchiMate EA language into a method for availability analysis on the enterprise level. The method is validated by five case studies, where annual downtime estimates were always within eight hours from the actual values. Paper 5 extends the Bayesian prediction model from paper 3 and the modeling method from paper 4 into a full-blown enterprise architecture framework, expressed in a probabilistic version of the Object Constraint Language. The resulting modeling framework is tested in nine case studies of enterprise information systems. / Informationsteknik blir allt viktigare för både enskilda individer och för organisationer. IT låter oss inte bara arbeta snabbare och effektivare med det vi redan gör, utan låter oss också göra helt nya saker, organisera oss annorlunda och arbeta på nya sätt. Tyvärr har dessa fördelar ett pris: i takt med att vi blir alltmer beroende av IT-tjänster ökar också våra krav på att de är ständigt tillgängliga för oss, utan avbrott. Trots att tillförlitlighetstekniken går framåt utgör dagens alltmer sammankopplade system en svår utmaning i detta avseende. Hur kan man säkerställa hög tillgänglighet hos IT-tjänster som ständigt byggs ut och uppgraderas, som har livscykler på tiotals år, som är beroende av tredjepartsleverantörer och som dessutom måste leva upp till verksamhetskrav på att vara flexibla och agila? Den här avhandlingen innehåller (i) ett arkitekturramverk som på ett unikt sätt kan analysera IT-tjänsters tillgänglighet och ta fram rekommenderade åtgärder, (ii) ett antal identifierade kausalfaktorer som påverkar IT-tjänsters tillgänglighet, (iii) en studie av hur felträd kan användas för arkitekturanalys av tillgänglighet samt (iv) en uppsättning principer för beslutsfattande kring tillgänglighet. Avhandlingen är en sammanläggningsavhandling med fem artiklar. Artikel 1 innehåller ett konceptuellt ramverk för beslutsfattande kring IT-tjänsters tillgänglighet som understryker vikten av variansen hos nertidskostnaderna. Artikel 2 visar hur ramverk för organisationsövergripande arkitektur (s.k. enterprise architecture -- EA) kan utvidgas med felträdsanalys (FTA) och bayesianska nätverk (BN) för analys av beroenden mellan komponenter. FTA och BN är bägge etablerade metoder för tillförlitlighets- och tillgänglighetsmodellering. Artikel 3 beskriver en bayesiansk prediktionsmodell för systemtillgänglighet, baserad på utlåtanden från 50 experter. Artikel 4 kombinerar FTA med modelleringselement från EA-ramverket ArchiMate till en metod för tillgänglighetsanalys på verksamhetsnivå. Metoden har validerats i fem fallstudier, där de estimerade årliga nertiderna alltid låg inom åtta timmar från de faktiska värdena. Artikel 5 utvidgar den bayesianska prediktionsmodellen från artikel 3 och modelleringsmetoden från artikel 4 till ett fullständigt EA-ramverk som uttrycks i en probabilistisk version av Object Constraint Language (OCL). Det resulterande modelleringsramverket har testats i nio fallstudier på verksamhetsstödjande IT-system. / <p>QC 20120912</p>