In the last decades, there has been a growing interest towards new use cases in the Internet of Things (IoT) domain, such as extended reality glasses, unmanned aerial vehicles (UAVs), and autonomous driving. The technological advancement observed in such scenarios has also been enabled by the increasing capabilities of small form factor devices. Although such devices allow to achieve remarkable computing performance with relatively low energy consumption, these are often used in contexts in which the trade-offs between power consumption and application performance play a key role (e.g., battery powered systems). Furthermore, if such trade-offs are not carefully set, the performance degradation can lead to system failure. The work proposed in this thesis aims at investigating this type of problems, and to propose a runtime model and controller pair based on the joint optimization of the platform and application parameters to reduce the likelihood of system failure. The proposed architecture is evaluated in a UAV emulated environment, in which the used platform embeds hardware features comparable to the ones of a drone, while the localization and mapping application executed on such device makes use of real-world visual-inertial datasets. The proposed runtime model-controller solution relies on the monitoring of the platform CPU peaks for identifying application failure. It has also been empirically demonstrated that the model-controller can substantially decrease the number of failures and, in specific scenarios, improve localization accuracy and power consumption even compared to the optimal static parameter configurations. Moreover, the solution has been proven to be simple and generalizable in scenarios characterized by different levels of concurrency, and in the datasets tested. / Under de senaste decennierna har det funnits ett växande intresse för nya användningsfall som Extended Reality-glasögon, obemannade flygfarkoster (UAV) och autonom körning. De tekniska framstegen som observerats i sådana scenarier har också möjliggjorts av den ökande kapaciteten hos små formfaktorenheter. Även om sådana enheter gör det möjligt att uppnå anmärkningsvärd datorprestanda med relativt låg energiförbrukning, används dessa ofta i sammanhang där kompromisserna mellan strömförbrukning och applikationsprestanda spelar en nyckelroll (t.ex. batteridrivna system). Dessutom, om sådana avvägningar inte är noggrant inställda, kan prestandaförsämringen leda till systemfel. Arbetet som föreslås i denna avhandling syftar till att undersöka denna typ av problem, och att föreslå en körtid modellstyrenhet baserad på gemensam optimering av plattformen och applikationsparametrar för att minska systemfel. Den föreslagna arkitekturen utvärderas i en UAV-emulerad miljö, där den använda plattformen har hårdvarufunktioner som är motsvarar en drönare, medan lokaliserings- och kartläggningsapplikationen som körs på en sådan enhet använder verkliga visuella tröghetsdatauppsättningar. Den föreslagna runtime-modellstyrningslösningen förlitar sig på övervakning av plattformens CPU-toppar för att identifiera programfel. Det har också visat sig empiriskt att modellstyrenheten avsevärt kan minska antalet fel och, i specifika scenarier, förbättra lokaliseringsnoggrannheten och strömförbrukningen även jämfört med de optimala statiska parameterkonfigurationerna. Dessutom har lösningen visat sig vara enkel och generaliserbar i scenarier som kännetecknas av olika nivåer av samtidighet och i de testade datamängderna.

Inom svenska järnvägen skapas en stor mängd information om hur objekt så som växlar och spårledningar beter sig, i form av dataloggar. Dessa används i dagsläget mycket sparsamt, trots sin stora potential till analys. Detta arbete ämnar utforma mjukvara som kan förädla dessa loggar och extrahera användbar information om banobjektens nuvarande och framtida tillstånd. Detta kan höja säkerheten och förebygga fel och på så vis minimera oplanerade driftstopp och kostsamma byten eller nödreparationer av utrustning. Arbetet resulterade i en mjukvara framtagen i Python som läser in loggar av godtycklig storlek och detekterar atypiska beteenden i ett flertal kategorier av banobjekt. Mjukvaran fungerar även som ett verktyg för mer användarvänlig hantering av dessa loggar, varur användaren kan sammanställa och presentera information som annars vore svårtillgänglig. / In the Swedish rail network, a large amount of information is generated regarding the behaviours of various objects such as switches and track circuits, which is then stored in logs. Currently, these logs are severely underused despite their great potential for analysis. The purpose of this project is to develop a software which can refine these logs and extract useful information about the current and future states of the objects. This can increase operational safety and prevent faults from occurring, thereby minimizing unplanned downtime and costly replacements or reparations of equipment. The project results in a software developed in Python which reads logs of an arbitrary size and detects atypical behaviours in several different categories of objects. The software also acts as a tool for more user-friendly handling of these logs, offering the ability to compile and present information which would otherwise be difficult to access.