With the development of 5G technology and edge computing, more and more network application services have been migrated to the cloud network in order to improve the performance, availability and ensure Quality of Service. Edge computing has essentially changed the service deployment model and reduce the latency further for better customer experience, which is realized by deploying network service replicas in geographically distributed edge sites. However, how to discover edge application servers and select a proper instance to serve the edge users becomes an important research topic. This master thesis project addresses the problem by leveraging DNS based service selection mechanism, designing and implementing stable match based service selection algorithms with the aim of minimizing latency between edge users and services and balance the load among edge sites, and integrating the solutions by RESTful APIs. To evaluate the performance of the service selection algorithms, a set of experiments are carried on different simulated topologies with different traffic pattern. The experimental results show that the stable match algorithm and its variants can significantly reduce the average latency by up to 50% compared to traditional approaches, while the enhanced stable match based algorithms are able to have the same load balancing effect with the widely used Round Robin algorithm. / Med utvecklingen av 5G-teknik och edge computing har fler nätverkstjänster migrerats till molnätet för att förbättra prestanda, tillgänglighet och säkerställa servicekvalitet. Edge computing har i huvudsak förändrat tjänster distribution modellen och minskat latensen ytterligare för bättre kundupplevelse, vilket realiseras genom att distribuera nätverkstjänstreplikat på geografiskt distribuerade kantsajter. Hur man upptäcker kantappservrar och väljer en rätt instans för att betjäna kantanvändarna blir dock ett viktigt forskningsämne. Detta projekt löser problemet genom att utnyttja DNS-baserad mekanism för tjänstval, designa och implementera stabila matchbaserade algoritmer för tjänsteval i syfte att minimera latens mellan kantanvändare och tjänster och balansera belastningen mellan kantsajter och integrera lösningarna med RESTful API:er. För att utvärdera prestandan för algoritmerna för val av tjänster utförs en uppsättning experiment på olika simulerade topologier med olika trafikmönster. De experimentella resultaten visar att den stabila matchningsalgoritmen och dess varianter avsevärt kan minska den genomsnittliga latensen med upp till 50% jämfört med traditionella metoder, medan de förbättrade stabila matchbaserade algoritmerna kan ha samma belastningsbalanseringseffekt med den mycket använda Round Robin algoritm.

Tidigare forskning visar att det finns en koppling mellan musiksmak och social attraktion mellan människor, eftersom delad musiksmak ofta innebär delade personliga värderingar, och delade personliga värderingar kan innebära större chans för social attraktion. Målet med undersökningen har varit att ta reda på om musiksmak har någon korrelation med personliga värderingar, och vilka algoritmer som i så fall skulle kunna användas för att beräkna korrelationen. En modell ställs upp för en teoretisk perfekt matchningsalgoritm mot vilken de undersökta algoritmerna testas och jämförs praktiskt. Studien, som är uppdelad i tre delar, undersöker algoritmerna närmare med hjälp av testdata i formen av datorgenererade värden i den första och andra delen. Den första delen använder data i formen av heltal (antalet förekomster av musikpreferens) och den andra använder data i formen av binära tal (förekomst eller ej av musikpreferens). Den tredje delen använder sig av användardata, från 13 deltagare, från Spotify samt från en enkät om personliga värderingar. Resultaten visar ingen uppenbar korrelation mellan personliga värderingar och musiksmak, vilket troligtvis beror på datamängderna; det kan vara så att det krävs mer detaljerad och strukturerad användardata än den som inhämtats och använts i denna undersökning för att få tydliga resultat. / Earlier research shows that there is a connection between music taste and social attraction between people, because shared music taste usually means shared personal values, and shared personal values could mean greater chance for social attraction. The goal with the project has been to find out if music taste is correlated with personal values, and what algorithms can be used to calculate that correlation. A model is defined for a perfect matching-algorithm against which the studied algorithms are tested and compared practically. The study, which is divided into three parts, investigates the algorithms closer using test data in the form of computer-generated values in the first and second part. The first part uses data in the form of integers (the number of occurences of a music preference) and the second part uses data in the form of binary numbers (occurence or not of a music preference). The third part uses real user data, from 13 participants, from Spotify and from a survey regarding personal values. The results show no apparent correlation between personal values and music taste, the cause of which is most likely the data; it could be that it takes more detailed and structured user data than the one used in this study to get clear results.