Streaming video has strong availability requirements, while for livestreamed video low latency becomes an additional significant factor. For large-scale video streaming the streaming service must be able to scale in and out in order to conform to the interchanging demands of users. Video streaming demonstrates heavily fluctuating load, where number of viewers may increase exponentially within a few minutes. In combination with the high availability guarantees suggests that the problem is non-trivial.This thesis covers the issues of providing a cost-effective distributed live video streaming application that guarantees a seamless user experience. For instance, there are multiple channels, in the order of hundred, where each has an ever changing popularity and furthermore, users are able to watch content which was streamed for some number of hours ago. Thus, the system must both provide cached streams as well as the live-stream.In this thesis, an elasticity-providing solution for live video streaming is presented. The solution is a combination of rule-based reactive algorithm for channel distribution and a predictive method for VM instance provisioning. The results show that the algorithm, when simulating 15 channels with 80000 viewers and 50 instances, keeps underallocation of channels at less than 1% while achieving significant reduction of about 125% for channel occurrences and thereby bandwidth consumption compared to the previous channel distribution solution. As the video streaming service scales in terms of number of channels and VM instances, the reduction factor increases. / Videoströmmingstjänster har starka krav på tillgänglighet, medan för live-strömmad video blir låg latens också signifikant. För storskalig videoströmmning måste tjänsten kunna skala in och ut för att överensstämma med användarnas växlande krav. Videoströmmning visar starkt varierande belastning, där antalet tittare kan öka exponentiellt inom några minuter. I kombination med de höga tillgänglighetsgarantierna antyder att problemet inte är trivialt.Denna avhandling täcker problemen med att tillhandahålla en kostnadseffektiv distribuerad live-videoströmmningstjänst som garanterar en sömlös användarupplevelse. Till exempel finns det flera kanaler, i storleksordningen hundra, där var och en har en ständigt förändrande popularitet. Därtill tillkommer dessutom att användare har möjligheten titta på innehåll som strömmats för några timmar sedan. Således måste systemet både tillhandahålla cachade strömmar såväl som direktsändning.I denna avhandling presenteras en elasticitetslösning för live video streaming. Lösningen är en kombination av en regelbaserad reaktiv algorithm för kanaldistribution och en prediktiv metod för VM-instans allokering. Resultaten visar att algoritmen, vid en simulering med 15 kanaler, 80000 tittare och 50 instanser, klarar att hålla underallokering av kanaler lägre än 1% samtidigt som totala antalet kanalinstanser reduceras med ungefär 125% jämfört med den tidigare kanaldistributionslösningen. Allteftersom videostreamingstjänsten skalar i antal kanaler och VM-instanser ökar reduktionsfaktorn ytterligare.

MLOps and Kubernetes are two major components of the modern-day information technology landscape, and their impact on the field is likely to grow even stronger in the near future. As a multitude of tools have been developed for the purpose of facilitating effortless creation of cloud native MLOps solutions, many of them have been designed, to varying degrees, to integrate with the Kubernetes system. While numerous evaluations have been conducted on these tools from a general MLOps perspective, this thesis aims to evaluate their qualities specifically within a Kubernetes context, with the focus being on their integration into this ecosystem. The evaluation is conducted in two steps: an MLOps market overview study, as well as an in-depth MLOps tool evaluation. The former represents a macroscopic overview of currently available MLOps tooling, whereas the latter delves into the practical aspects of deploying three Kubernetes native, open source MLOps platforms on cloud-based Kubernetes clusters. The platforms are Kubeflow, Pachyderm, and Polyaxon, and these are evaluated in terms of functionality, usability, vitality, and performance.

Cloud computing has become a cornerstone of the modern digital economy, with Amazon Web Services (AWS), Microsoft Azure, and Google Cloud Platform (GCP) leading the market. This thesis explores the oligopolistic tendencies and lock-in effects in the cloud computing market. It examines how strategic pricing and market behaviors by these major providers influence competitive dynamics and industry structure using established economic models like Cournot and Stackelberg. The research integrates theoretical analysis with an empirical case study of Ericsson's cloud service adoption, highlighting how theoretical pricing strategies are applied in practice. Ericsson's case study revealed that AWS is the most cost-effective for pay-as-you-go pricing, while Azure offers lower costs for reserved and spot pricing models. The study also indicates that the market is highly concentrated, as shown by the Three-Firm Concentration Ratio and the Herfindahl-Hirschman Index, suggesting a decrease in competition over time. A significant finding of this study is the strong lock-in effect experienced by customers due to high switching costs, including data migration, retraining, and system reconfigurations. These costs effectively discourage customers from switching providers, reinforcing the dominant positions of the leading cloud service providers.  The findings reveal how market leaders strategically react to competition and influence market structure. This study provides valuable insights for businesses and policymakers on fostering a competitive environment that encourages innovation and fair pricing practices. It contributes to understanding the complexities of market dynamics, the strategic decision-making process, and the significant impact of vendor lock-in in oligopolistic markets. / Molntjänster har blivit en hörnsten i den moderna digitala ekonomin, med Amazon Web Services (AWS), Microsoft Azure och Google Cloud Platform (GCP) som marknadsledare. Denna avhandling undersöker de oligopolistiska tendenserna och inlåsningseffekterna på molntjänstmarknaden. Den undersöker hur strategisk prissättning och marknadsbeteenden hos dessa stora leverantörer påverkar konkurrensdynamik och branschstruktur med hjälp av etablerade ekonomiska modeller som Cournot och Stackelberg. Forskningen integrerar teoretisk analys med en empirisk fallstudie av Ericssons adoption av molntjänster, vilket belyser hur teoretiska prissättningsstrategier tillämpas i praktiken. Ericssons fallstudie visade att AWS är mest kostnadseffektivt för betala-efter-användning prissättning, medan Azure erbjuder lägre kostnader för reserverade och spot prissättningsmodeller. Studien indikerar också att marknaden är starkt koncentrerad, vilket framgår av analysen av Three-Firm Concentration Ratio och Herfindahl-Hirschman Index, som antyder en minskning av konkurrensen över tid. En betydande upptäckt i denna studie är den starka inlåsningseffekt som kunder upplever på grund av höga omställningskostnader, inklusive datamigrering, omskolning och systemomkonfigurationer. Dessa kostnader avskräcker effektivt kunder från att byta leverantörer, vilket förstärker de ledande molntjänstleverantörernas dominerande positioner. Resultaten visar hur marknadsledarna strategiskt reagerar på konkurrens och påverkar marknadsstrukturen. Denna studie ger värdefulla insikter för företag och beslutsfattare om att främja en konkurrensutsatt miljö som uppmuntrar innovation och rättvis prissättning. Den bidrar till förståelsen av marknadsdynamikens komplexitet, den strategiska beslutsprocessen och den betydande påverkan som leverantörsinlåsning har i oligopolistiska marknader.

The industry is moving towards a higher degree of automation and connectivity, where previously manual operations are being adapted for interconnected industrial robots. This thesis focuses specifically on the automation of tightening applications with pre-tightened bolts and collaborative robots. The use of 3D computer vision is investigated for direct localization of bolts, to allow for flexible assembly solutions. A localization algorithm based on 3D data is developed with the intention to create a lightweight software to be run on edge devices. A restrictive use of deep learning classification is therefore included, to enable product flexibility while minimizing the computational load. The cloud-to-edge and cluster-to-edge trade-offs for the chosen application are investigated to identify smart offloading possibilities to cloud or cluster resources. To reduce operational delay, image partitioning to sub-image processing is also evaluated, to more quickly start the operation with a first coordinate and to enable processing in parallel with robot movement. Four different hardware architectures are tested, consisting of two different Single Board Computers (SBC), a cluster of SBCs and a high-end computer as an emulated local cloud solution. All systems but the cluster is seen to perform without operational delay for the application. The optimal hardware architecture is therefore found to be a consumer grade SBC, being optimized on energy efficiency, cost and size. If only the variance in communication time can be minimized, the cluster shows potential to reduce the total calculation time without causing an operational delay. Smart offloading to deep learning optimized cloud resources or a cluster of interconnected robot stations is found to enable increasing complexity and robustness of the algorithm. The SBC is also found to be able to switch between an edge and a cluster setup, to either optimize on the time to start the operation or the total calculation time. This offers a high flexibility in industrial settings, where product changes can be handled without the need for a change in visual processing hardware, further enabling its integration in factory devices. / Industrin rör sig mot en högre grad av automatisering och uppkoppling, där tidigare manuella operationer anpassas för sammankopplade industriella robotar. Denna masteruppsats fokuserar specifikt på automatiseringen av åtdragningsapplikationer med förmonterade bultar och kollaborativa robotar. Användningen av 3D-datorseende undersöks för direkt lokalisering av bultar, för att möjliggöra flexibla monteringslösningar. En lokaliseringsalgoritm baserad på 3Ddata utvecklas med intentionen att skapa en lätt mjukvara för att köras på Edge-enheter. En restriktiv användning av djupinlärningsklassificering är därmed inkluderad, för att möjliggöra produktflexibilitet tillsammans med en minimering av den behövda beräkningskraften. Avvägningarna mellan edge- och moln- eller klusterberäkning för den valda applikationen undersöks för att identifiera smarta avlastningsmöjligheter till moln- eller klusterresurser. För att minska operationell fördröjning utvärderas även bildpartitionering, för att snabbare kunna starta operationen med en första koordinat och möjliggöra beräkningar parallellt med robotrörelser. Fyra olika hårdvaruarkitekturer testas, bestående av två olika enkortsdatorer, ett kluster av enkortsdatorer och en marknadsledande dator som en efterliknad lokal molnlösning. Alla system utom klustret visar sig prestera utan operationell fördröjning för applikationen. Den optimala hårdvaruarkitekturen visar sig därmed vara en konsumentklassad enkortsdator, optimerad på energieffektivitet, kostnad och storlek. Om endast variansen i kommunikationstid kan minskas visar klustret potential för att kunna reducera den totala beräkningstiden utan att skapa operationell fördröjning. Smart avlastning till djupinlärningsoptimerade molnresurser eller kluster av sammankopplade robotstationer visar sig möjliggöra ökad komplexitet och tillförlitlighet av algoritmen. Enkortsdatorn visar sig även kunna växla mellan en edge- och en klusterkonfiguration, för att antingen optimera för tiden att starta operationen eller för den totala beräkningstiden. Detta medför en hög flexibilitet i industriella sammanhang, där produktändringar kan hanteras utan behovet av hårdvaruförändringar för visuella beräkningar, vilket ytterligare möjliggör dess integrering i fabriksenheter.