The objective of this thesis has been to analyze whether booms in the iron ore market has any significant effects on local labor markets in certain municipalities in Norrbotten County during the time period 2000-2016. Previous research has established that certain types of booms and busts influenced local labor markets. The analysis was done by using panel data and regression models where the results where compared over non-mining and mining municipalities. The results gave a vague response with both conclusive and inconclusive results over the variables investigated. The main conclusion is that although the mining industry is a big part of local labor markets in Norrbotten County, it is important for firms and policymakers to understand that the mining industry is not the only important factor and that decisions should not be entirely based on the mining industry and its markets. / Målet med denna uppsats var att analysera ifall booms i järnmalmsmarknaden har någon signifikant påverkan på lokala arbetsmarknader i utvalda kommuner i Norrbotten under tidsperioden 2000–2016. Tidigare forskning har fastställt att vissa booms och busts kan influera lokala arbetsmarknader. Analysen har genomförts med paneldata och regressionsmodeller där resultat jämförts mellan gruvkommuner och ickegruvkommuner. Resultaten gav otydliga resultat då vissa var konklusiva medan andra inte var konklusiva. Den huvudsakliga slutsatsen som nåtts är att även om gruvindustrin är en viktig del av de lokala arbetsmarknaderna, är det viktigt för företag och beslutsfattare att förstå att gruvindustrin inte är den enda påverkande faktorn och att framtida beslut och satsningar inte enbart ska baseras kring gruvindustrin och dess marknad.

Today, malware authors not only write malicious software but also employ obfuscation, polymorphism, packing and endless such evasive techniques to escape detection by Anti-Virus Products (AVP). Besides the individual behavior of malware, the relations that exist among them play an important role for improving malware detection. This work aims to enable malware analysts at F-Secure Labs to explore various such relationships between malicious URLs and file samples in addition to their individual behavior and activity. The current detection methods at F-Secure Labs analyze unknown URLs and file samples independently without taking into account the correlations that might exist between them. Such traditional classification methods perform well but are not efficient at identifying complex multi-stage malware that hide their activity. The interactions between malware may include any type of network activity, dropping, downloading, etc. For instance, an unknown downloader that connects to a malicious website which in turn drops a malicious payload, should indeed be blacklisted. Such analysis can help block the malware infection at its source and also comprehend the whole infection chain. The outcome of this proof-of-concept study is a system that detects new malware using graph modelling to infer their relationship to known malware as part of the malware classification services at F-Secure. / Idag, skadliga program inte bara skriva skadlig programvara men också använda förvirring, polymorfism, packning och ändlösa sådana undan tekniker för att fly detektering av antivirusprodukter (AVP). Förutom individens beteende av skadlig kod, de relationer som finns mellan dem spelar en viktig roll för att förbättra detektering av skadlig kod. Detta arbete syftar till att ge skadliga analytiker på F-Secure Labs att utforska olika sådana relationer mellan skadliga URL: er och fil prover i Förutom deras individuella beteende och aktivitet. De aktuella detektionsmetoder på F-Secure Labs analysera okända webbadresser och fil prover oberoende utan med beaktande av de korrelationer som kan finnas mellan dem. Sådan traditionella klassificeringsmetoder fungerar bra men är inte effektiva på att identifiera komplexa flerstegs skadlig kod som döljer sin aktivitet. Interaktioner mellan malware kan innefatta någon typ av nätverksaktivitet, släppa, nedladdning, etc. Till exempel, en okänd loader som ansluter till en skadlig webbplats som i sin tur släpper en skadlig nyttolast, bör verkligen vara svartlistad. En sådan analys kan hjälpa till att blockera malware infektion vid källan och även förstå hela infektion kedja. Resultatet av denna proof-of-concept studien är ett system som upptäcker ny skadlig kod med hjälp av diagram modellering för att sluta deras förhållande till kända skadliga program som en del av de skadliga klassificerings tjänster på F-Secure.