<p>Detta examensarbete har utförts på och i samarbete med ITN, Institutionen för Teknik och Naturvetenskap, vid Linköpings Universitet. Problemställningen härrör från tidigare projektsamarbete mellan Linköpings Universitet, Telia AB och Ericsson. Uppgiften består i att ta fram en optimeringsalgoritm som använder sig av ett nytt angreppssätt genom att försöka minska osäkerheten på indata.</p>

Detta examensarbete har utförts på och i samarbete med ITN, Institutionen för Teknik och Naturvetenskap, vid Linköpings Universitet. Problemställningen härrör från tidigare projektsamarbete mellan Linköpings Universitet, Telia AB och Ericsson. Uppgiften består i att ta fram en optimeringsalgoritm som använder sig av ett nytt angreppssätt genom att försöka minska osäkerheten på indata.

Denna uppsats behandlar nätverksoptimering, med fokus på att få fram den bästa möjliga tillgängligheten till lägsta möjliga kostnad, i form av länkar. I studien tas en teoretiskt grundad hypotes om en metod fram för att lösa detta problemet. Samt genomförs ett test där metoden appliceras på ett studieobjekt för att bekräfta huruvida metoden verkar fungerar eller inte. Resultatet blir slutligen en metod som genom att analysera tillgängligheten, länk redundansen samt beräkna antal oberoende vägar mellan noder i ett nätverk. Kan genom att jämföra resultat från före en förändring med resultat från efter en förändring lyfta fram de förändringar som medför förbättringar. Varpå ett nätverk kan optimeras till bästa möjliga tillgänglighet till lägsta möjliga kostnad, i form av länkar.

Evolutionary algorithms have achieved great performance among a wide range of optimization problems. In this degree project, the network optimization problem has been reformulated and solved in an evolved way. A feasible evolutionary framework has been designed and implemented to train neural networks in supervised learning scenarios. Under the structure of evolutionary algorithms, a well-defined fitness function is applied to evaluate network parameters, and a carefully derived form of approximate gradients is used for updating parameters. Performance of the framework has been tested by training two different types of networks, linear affine networks and convolutional networks, for a flash call verification task.Under this application scenario, whether a flash call verification will be successful or not will be predicted by a network, which is inherently a binary classification problem. Furthermore, its performance has also been compared with traditional backpropagation optimizers from two aspects: accuracy and time consuming. The results show that this framework is able to push a network training process to converge into a certain level. During the training process, despite of noises and fluctuations, both accuracies and losses converge roughly under the same pattern as in backpropagation. Besides, the evolutionary algorithm seems to have higher updating efficiency per epoch at the first training stage before converging. While with respect to fine tuning, it doesn’t work as good as backpropagation in the final convergence period. / Evolutionära algoritmer uppnår bra prestanda för ett stort antal olika typer av optimeringsproblem. I detta examensprojekt har ett nätverksoptimeringsproblem lösts genom omformulering och vidareutveckling av angreppssättet. Ett förslag till ramverk har utformats och implementerats för att träna neuronnätverk i övervakade inlärningsscenarier. För evolutionära algoritmer används en väldefinierad träningsfunktion för att utvärdera nätverksparametrar, och en noggrant härledd form av approximerade gradienter används för att uppdatera parametrarna. Ramverkets prestanda har testats genom att träna två olika typer av linjära affina respektive konvolutionära neuronnätverk, för optimering av telefonnummerverifiering. I detta applikationsscenario förutses om en telefonnummerverifiering kommer att lyckas eller inte med hjälp av ett neuronnätverk som i sig är ett binärt klassificeringsproblem. Dessutom har dess prestanda också jämförts med traditionella backpropagationsoptimerare från två aspekter: noggrannhet och hastighet. Resultaten visar att detta ramverk kan driva en nätverksträningsprocess för att konvergera till en viss nivå. Trots brus och fluktuationer konvergerar både noggrannhet och förlust till ungefär under samma mönster som i backpropagation. Dessutom verkar den evolutionära algoritmen ha högre uppdateringseffektivitet per tidsenhet i det första träningsskedet innan den konvergerar. När det gäller finjustering fungerar det inte lika bra som backpropagation under den sista konvergensperioden.

Detta examensarbete handlar om hur datatrafik över en satellitlänk kan optimeras för att minska laddningstider och överförd datamängd. Syftet med studien är att undersöka i vilken omfattning datatrafik mellan fartyg och land via satellitlänk kan styras så att trafiken blir effektivare. Genom att använda DNS-mellanlagring, mellanlagring av webbsidor samt annonsblockering med pfSense som plattform har examensarbetet utfört experiment emot olika hemsidor och mätt laddningstid samt överförd datamängd. Resultatet visade att det fanns stora möjligheter att optimera nätverkstrafiken och de uppmätta resultaten visade på en minskning av datamängden med 94% och laddningstiderna med 67%. / The thesis describes how network traffic transmitted via a satellite link can be optimized in order to reduce loading times and transmitted data. The purpose with this study has been to determine what methods are available to control and reduce the amount of data transmitted through a network and how this data is affected. By applying the practice of DNS caching, web caching and ad blocking with the use of pfSense as a platform the study has performed experiments targeting different web sites and measured the loading times and amount of transmitted data. The results showed good possibilities to optimize the network traffic and the measured values indicated a reduction of the network traffic of up to 94% and loading times with 67%.

Verksamheten ombord på fartyg blir mer beroende av datakommunikation och många av arbetsuppgifterna ombord underlättas genom att besättningen kan nå information lagrad på annan plats. Fartygens bredbandsanslutning sker till största delen via satellitkommunikation där långa avstånd och begränsad datahastighet resulterar i att datakommunikationen blir ineffektiv. I denna studie undersöks vilken prestandaförbättring som utrustning för nätverksoptimering kan innebära för långsamma WAN-förbindelser via satellit. Undersökningen visade att det största problemet med anslutningar via satellit är den signalfördröjning som uppkommer vid långa sändningsavstånd. Detta medför att det blir prestandaproblem för datatrafiken och användare upplever anslutningen som långsam. För att åtgärda detta finns utrustning som hanterar datatrafiken och genom olika tekniker kan öka prestandan på anslutningen. För att undersöka hur stor prestandaförbättringen kan vara genomfördes ett antal olika experiment med utrustning för nätverksoptimering. Experimenten genomfördes genom att utvärdera filöverföringar med och utan nätverksoptimering. Resultaten visar att utrustningen för nätverksoptimering ger en stor prestandaförbättring vid filöverföringar. / Shipboard operations have become more reliant of data communication and many of the duties on board may be facilitated if the crew can access information stored elsewhere. The broadband connection between ship and shore is mostly done via satellite communication where long distances and limited data rate results in inefficient data communication. This study examines network optimization and the performance improvement this can have regarding slow WAN connections via satellite. The survey showed that the biggest issue with data communication via satellite is the signal delay caused by the long transmission distance which means that there will be performance degradation for data traffic and users will experience the data communication as slow. To solve this there is equipment that enhances the performance of the connection and handles the data communication by implementing various techniques. To investigate how much the performance improvement can be this study carried out a number of experiments with network optimization equipment.  The experiments evaluated file transfer with and without network optimization. The results show that the network optimization gives a major performance improvement regarding file transfer.

Network technologies are continuously advancing and attracting ever-growing interests from the industry and society. Network users expect better experience and performance every day. Consequently, network operators need to improve the quality of their services. One way to achieve this goal entails over-provisioning the network resources, which is not economically efficient as it imposes unnecessary costs. Another way is to employ Traffic Engineering (TE) solutions to optimally utilize the current underlying resources by managing traffic distribution in the network. In this thesis, we consider packet-switched Networks (PSN), which allows messages to be split across multiple packets as in today’s Internet. Traffic engineering in PSN is a well-known topic yet current solutions fail to make efficient utilization of the network resources. The goal of the TE process is to compute a traffic distribution in the network that optimizes a given objective function while satisfying the network capacity constraints (e.g., do not overflow the link capacity with an excessive amount of traffic). A critical aspect of TE tools is the ability to capture the impact of routing a certain amount of traffic through a certain link, also referred as the link criticality function. Today’s TE tools rely on simplistic link criticality functions that are inaccurate in capturing the network-wide performance of the computed traffic distribution. A good link criticality function allows the TE tools to distribute the traffic in a way that it achieves close-to-optimal network performance, e.g., in terms of packet loss and possibly packet latencies. In this thesis, we embark upon the study of link criticality functions and introduce four different criticality functions called: 1) LeakyCap, 2) LeakyReLU, 3) SoftCap, and 4) Softplus. We compare and evaluate these four functions with the traditional link criticality function defined by Fortz and Thorup, which aims at capturing the performance degradation of a link given its utilization. To assess the proposed link criticality functions, we designed 57 network scenarios and showed how the link criticality functions affect network performance in terms of packet loss. We used different topologies and considered both constant and bursty types of traffic. Based on our results, the most reliable and effective link criticality function for determining traffic distribution rates is Softplus. Softplus outperformed Fortz function in 79% of experiments and was comparable in the remaining 21% of the cases. / Nätverksteknik är ett område under snabb utveckling som röner ett stort och växande intresse från såväl industri som samhälle. Användare av nätverkskommunikation förväntar sig ständigt ökande prestanda och därför behöver nätverksoperatörerna förbättra sina tjänster i motsvarande grad. Ett sätt att möta användarnas ökade krav är att överdimensionera nätverksresurserna, vilket dock leder till onödigt höga kostnader. Ett annat sätt är att använda sig av trafikstyrninglösningar med målet att utnyttjade tillgängliga resurserna så bra som möjligt. I denna avhandling undersöker vi paketswitchade nätverk (PSN) i vilka meddelanden kan delas upp i multipla paket, vilket är den rådande paradigmen för dagens Internet. Ä ven om trafikstyrning (TS) för PSN är ett välkänt ämne så finns det utrymme för förbättringar relativt de lösningar som är kända idag. Målet för TS-processen är att beräkna en trafikfördelning i nätverket som optimerar en given målfunktion, samtidigt som nätverkets kapacitetsbegränsningar inte överskrids. En kritisk aspekt hos TS-verktygen är förmågan att fånga påverkan av att sända en viss mängd trafik genom en specifik länk, vilket vi kallar länkkritikalitetsfunktionen. Dagens TS verktyg använder sig av förenklade länkkritikalitetsfunktioner som inte väl nog beskriver trafikfördelningens påverkan på hela nätverkets prestanda. En bra länkkritikalitetsfunktion möjliggör för TS-verktygen att fördela trafiken på ett sätt som närmar sig optimal nätverksprestanda, till exempel beskrivet som låg paketförlust och låg paketlatens. I denna avhandling undersöker vi länkkritikalitetsfunktioner och föreslår fyra olika funktioner som vi kallar 1) LeakyCap, 2) LeakyReLU, 3) SoftCap, och 4) Softplus. Vi jämför och utvärderar dessa fyra funktioner och inkluderar även klassiska länkkritikalitetsfunktioner som Fortz och Thorup, vilka avser fånga prestandadegraderingen av en länk över graden av utnyttjande.Vi har undersökt 57 olika nätverksscenarier för att bestämma hur de olika länk kritikalitets funktionerna påverkar nätverksprestanda i form av paketförlust. Olika topologier har använts och vi har studerat såväl konstant som stötvis flödande trafik. Enligt våra resultat är Softplus den mest tillförlitliga och effektiva länkkritikalitetsfunktionen för att fördela trafiken i ett nätverk. Softplus presterade bättre än Fortz i 79% av våra tester, och var jämförbar i övriga 21%.

In order to comprehend the environments from different aspects, a large variety of computer vision methods are developed to detect objects, classify objects or even segment them semantically. Semantic segmentation is growing in significance due to its broad applications in fields such as robotics, environmental understanding for virtual or augmented reality, and autonomous driving. The development of convolutional neural networks, as a powerful tool, has contributed to solving classification or object detection tasks with the trend of larger and deeper models. It is hard to compare the models from the perspective of depth since they are of different structure. At the same time, semantic segmentation is computationally demanding for the reason that it requires classifying each pixel to certain classes. Running these complicated processes on resource-constrained embedded systems may cause performance degradation in terms of inference time and accuracy. Network pruning, a model compression technique, targeting to eliminate the redundant parameters in the models based on a certain evaluation rule, is one solution. Most traditional network pruning methods, structural or nonstructural, apply zero masks to cover the original parameters rather than literally eliminate the connections. A new pruning method, Torch-Pruning, has a general-purpose library for structural pruning. This method is based on the dependency between parameters and it can remove groups of less important parameters and reconstruct the new model. A cutting-edge research work towards solving several computer vision tasks, Yolov8 has proposed several pre-trained models from nano, small, medium to large and xlarge with similar structure but different parameters for different applications. This thesis applies Torch-Pruning to Yolov8 semantic segmentation models to compare the performance of pruning based on existing models with similar structures, thus it is meaningful to compare the depth of the model as a factor. Several configurations of the pruning have been explored. The results show that greater depth does not always lead to better performance. Besides, pruning can bring about more generalization ability for Gaussian noise at medium level, from 20% to 40% compared with the original models. / För att förstå miljöer från olika perspektiv har en mängd olika datorseendemetoder utvecklats för att upptäcka objekt, klassificera objekt eller till och med segmentera dem semantiskt. Semantisk segmentering växer i betydelse på grund av dess breda tillämpningar inom områden som robotik, miljöförståelse för virtuell eller förstärkt verklighet och autonom körning. Utvecklingen av konvolutionella neurala nätverk, som är ett kraftfullt verktyg, har bidragit till att lösa klassificerings- eller objektdetektionsuppgifter med en trend mot större och djupare modeller. Det är svårt att jämföra modeller från djupets perspektiv eftersom de har olika struktur. Samtidigt är semantisk segmentering beräkningsintensiv eftersom den kräver att varje pixel klassificeras till vissa klasser. Att köra dessa komplicerade processer på resursbegränsade inbäddade system kan orsaka prestandanedgång när det gäller inferenstid och noggrannhet. Nätverksbeskärning, en modellkomprimeringsteknik som syftar till att eliminera överflödiga parametrar i modellerna baserat på en viss utvärderingsregel, är en lösning. De flesta traditionella nätverksbeskärningsmetoder, både strukturella och icke-strukturella, tillämpar nollmasker för att täcka de ursprungliga parametrarna istället för att bokstavligen eliminera anslutningarna. En ny beskärningsmetod, Torch-Pruning, har en allmän användningsområde för strukturell beskärning. Denna metod är baserad på beroendet mellan parametrar och den kan ta bort grupper av mindre viktiga parametrar och återskapa den nya modellen. Ett banbrytande forskningsarbete för att lösa flera datorseenduppgifter, Yolov8, har föreslagit flera förtränade modeller från nano, liten, medium till stor och xstor med liknande struktur men olika parametrar för olika tillämpningar. Denna avhandling tillämpar Torch-Pruning på Yolov8 semantiska segmenteringsmodeller för att jämföra prestandan för beskärning baserad på befintliga modeller med liknande strukturer, vilket gör det meningsfullt att jämföra djupet som en faktor. Flera konfigurationer av beskärningen har utforskats. Resultaten visar att större djup inte alltid leder till bättre prestanda. Dessutom kan beskärning medföra en större generaliseringsförmåga för gaussiskt brus på medelnivå, från 20% till 40%, jämfört med de ursprungliga modellerna.