Phosphorus (P) is an essential element for all life on our planet. During the past century anthropogenic consumption of P has reached critically unsustainable levels, the mining of finite phosphate rock and the dispersion of this resource could lead to resource scarcity in the future. The need to increase knowledge and understanding for the P system is an essential part of sustainable decision making. In this thesis the P balance of Sweden is characterised and quantified using material flow analysis methodology. Furthermore, the study provides a solid foundation of knowledge and understanding of the current state of P balance in Sweden. Major challenges are highlighted and further improvement potential is established for the Swedish flows of P. The major identified contributors to the Swedish P balance are the consumption of mineral fertilizers, the consumption patterns in society and the waste management. Moreover, there is a need to reduce the emissions of P to the environment in order to preserve natural state. The most effective ways of reducing the emissions are to reduce inputs to the system and improve the system efficiency through technical solutions, political tools and financial incentives. It is important to reduce emissions without shifting of burdens onto others. The anthropogenic activities in Sweden have a significant impact on the environment, this is due to Sweden importing P fertilizer that is added to the system. Nevertheless, there is a large potential for improvement of P resource management, where recycling and reuse of P is highlighted. Furthermore, Sweden has historically proven that political action and financial incentives are effective in reducing emissions. / Fosfor (P) är ett väsentligt element för allt liv på vår planet. Under det senaste århundradet har den antropogena förbrukningen av P uppnått kritiskt ohållbara nivåer, brytning av begränsade mängder fosfatmalm som finns och spridningen av denna resurs kan leda till resursbrist i framtiden. Behovet av att öka kunskapen och förståelsen för P systemet är en väsentlig del av hållbart beslutsfattande. I denna avhandling karakteriseras och kvantifieras P balansen i Sverige med hjälp av metoder för materialflödesanalys. Dessutom ger studien en stadig grund för kunskap och förståelse för det nuvarande tillståndet för fosforbalansen i Sverige. Viktiga utmaningar lyfts upp och ytterligare förbättringspotentialer fastställs för de svenska flödena av P. De viktigaste identifierade påverkningsfaktorerna till den svenska P-balansen är konsumtion av mineralgödsel, konsumtionsmönstren i samhället och avfallshanteringen. Utöver detta, finns det ett behov av att minska utsläppen av P till miljön för att bevara ett naturligt tillstånd. De mest effektiva sätten att minska utsläppen är att minska tillförseln av P till systemet och förbättra systemeffektiviteten genom tekniska lösningar, politiska verktyg och ekonomiska incitament. Det är viktigt att minska utsläppen utan att förskjuta bördorna på andra. Den antropogena verksamheten i Sverige har en betydande påverkan på miljön, detta beror på att Sverige importerar P gödsel som läggs till systemet. Ändå finns det en stor potential för förbättring av P resurshanteringen, där återvinning och återanvändning av P framlyfts. Dessutom har Sverige historiskt bevisat att politiska åtgärder och ekonomiska incitament är effektiva för att minska utsläppen.

In recent years, cloud computing and containerization have become increasingly popular for various applications. However, optimizing resource usage and minimizing costs while providing reliable and efficient service to users can be a challenge. One such challenge is scaling containers according to the current system load. This thesis focuses on the problem of properly dimensioning pods in Kubernetes, a widely used platform for managing containerized applications. The motivation behind this problem is that the standard solution, Horizontal Pod Autoscaler (HPA), often results in wasted resources or poor performance due to overprovisioning or underprovisioning. This thesis proposes a proactive approach to scaling applications by utilizing machine learning models to predict future resource requirements based on concurrent user counts on the platform. This approach involves collecting and modifying data from HPA and training various machine learning models to forecast and predict the system's future behavior. The results of this thesis demonstrate that machine learning models can predict future resource requirements based on trends in the application. Based on the data evaluation, it was found that overprovisioning negatively affects the response time. Additionally, the machine learning models were accurate enough to predict future CPU needs. However, further research and experimentation are necessary to improve the accuracy and reliability of these models. / Under de senaste åren har cloud computing och containerisering blivit allt populärare för olika applikationer. Det kan dock vara en utmaning att optimera resursanvändningen och minimera kostnaderna och samtidigt tillhandahålla pålitlig och effektiv service till användarna. En sådan utmaning är hur man skalar containrar enligt den aktuella systembelastningen. Det här examensarbetet fokuserar på problemet med korrekt dimensionering av pods i Kubernetes, en allmänt använd plattform för att hantera containeriserade applikationer. Motivet bakom detta problem är att standardlösningen, Horizontal Pod Autoscaler (HPA), ofta resulterar i antingen slöseri med resurser eller dålig prestanda på grund av överprovisionering eller underprovisionering. Detta examensarbete syftar till att föreslå ett proaktivt tillvägagångssätt för att skala applikationer genom att använda maskininlärningsmodeller för att förutsäga framtida resurskrav baserat på samtidiga antal användare på plattformen. Detta tillvägagångssätt innebär att samla in och modifiera data från HPA och träna olika maskininlärningsmodeller för att förutsäga systemets framtida beteende. Resultaten av denna avhandling visar att maskininlärningsmodeller kan förutsäga framtida resursbehov baserat på trender i applikationen. Baserat på datautvärderingen fann man att överprovisionering påverkar svarstiden negativt. Dessutom var maskininlärningsmodellerna tillräckligt exakta för att förutsäga framtida CPU-behov. Det krävs dock ytterligare forskning och experiment för att förbättra noggrannheten och tillförlitligheten hos dessa modeller.

Cloud computing and containerization has been on the rise in recent years and have become important areas of research and development in the field of computer science. One of the challenges in distributed and cloud computing is to predict the resource utilization of the nodes that run the applications and services. This is especially relevant for container-based platforms such as Kubernetes. Predicting the resource utilization of a Kubernetes cluster can help optimize the performance, reliability, and cost-effectiveness of the platform. This thesis focuses on how well different resources in a cluster can be predicted using machine learning techniques. The approach consists of 3 main steps: data collection, data extraction and pre-processing, and data analysis. The data collection step involves stressing the system with a load-generator called Locust and collecting data from Locust and collecting data from Kubernetes with the use of Prometheus. The data pre-processing and extraction step involves extracting relevant data and transforming it into a suitable format for the machine learning models. The final step involves applying different machine learning models to the data and evaluating their accuracy. The results of this thesis illustrate that machine learning can work well for predicting resources in a cluster based on how stressed the system is and that the best performing machine learning model tested was Support Vector Machine with a polynomial kernel. / Cloud computing och containerisering har ökat de senaste åren och har blivit viktiga områden för forskning och utveckling inom datavetenskap. En av utmaningarna inom distribuerad och cloud computing är att förutsäga resursutnyttjandet av de noder som kör applikationerna och tjänsterna. Detta är särskilt relevant för containerbaserade plattformar som Kubernetes. Att förutsäga resursutnyttjandet av ett Kubernetes-kluster kan hjälpa med att optimera plattformens prestanda, tillförlitlighet och kostnadseffektivitet. Denna avhandling fokuserar på hur väl olika resurser i ett kluster kan förutsägas med hjälp av maskininlärningstekniker. Tillvägagångssättet består av 3 huvudsteg: datainsamling, dataextraktion och för-processering, samt dataanalys. Datainsamlingssteget innebär att stressa systemet med en load-generator som heter Locust och samla in data från Locust och även samla in data från Kubernetes med hjälp av Prometheus. Steget för för-processering och extrahering av data innefattar att extrahera relevant data och omvandla den till ett lämpligt format för maskininlärningsmodellerna. Det sista steget innefattar att tillämpa olika maskininlärningsmodeller på data och utvärdera deras noggrannhet. Resultaten av denna avhandling demonstrerar att maskininlärning kan fungera bra för att förutsäga resurser i ett kluster baserat på hur stressat systemet är och att den bäst presterande maskininlärningsmodellen som testades var Support Vector Machine med en polynom-kernel.

In the current mobile telecommunication market, with slow growth in mobile subscriptions and increasing traffi demand, each mobile operator needs to manage their customer loyalty in order to maintain position in the market. To retain their customer's loyalty, the user quality of satisfaction needs to be preserved. Integrating a Quality of Experience (QoE) approach into a radio resource scheduling scheme can be a means to improve user quality of satisfaction to a service. However, the enhancement of existing resource allocation management to support a QoE-based resource scheduling scheme needs a careful consideration since it will impact the mobile operator's investment cost. A profitability assessment of QoE-based resource allocation is required as a basis for the mobile operator to forecast their potential benefit of QoE-based resource scheduling deployment. This thesis investigated the profitability of deploying QoE-based radio resource management (RRM) in terms of revenue loss compared to proportional fair (PF) scheduling, a widely used resource allocation scheme, in delivering a streaming video service. In QoE-based RRM, a buffering percentage experienced by a user was considered in the resource allocation decision process. The two scheduling schemes were simulated in different network configurations. User satisfaction was quantified in terms of mean opinion score. Given the degree of satisfaction for each user, a number of users who would be likely to churn was obtained. A cost-benefit assessment was then conducted by predicting revenue loss due to customer churn. The results from the simulation and cost analysis show that although QoE-based resource scheduling provides users with a higher degree of satisfaction for more base stations, the utilization of a QoE-based resource scheduler does not offer significant benefit to the network operator with regard to revenue loss and deployment cost when compared to a PF scheduler. This outcome indicates that if the business target is to reduce customer churn, then the operator should utilize a PF scheduler for their RRM scheme. / Den nuvarande mobiltelefonimarknaden kännetecknas av svag tillväxt av nya kunder men ett ökat nyttjande bland existerande kunder av företagens tjänster. Kundlojalitet har blivit en avgörande faktor för att uppnå en stark marknadsposition. Kundernas upplevda kvalitet utav mobiltjänsterna behöver upprätthållas på en hög nivå för att tillfredställa denna lojalitet. Att applicera en upplevad kvalitet (QoE) metod i en radio resurs kan vara ett medel till att förbättra kundernas upplevda kvalitet av mobiltj änsten. För att undersöka ifall en sådan tjänst är lönsam är det dock nödvändigt att en lönsamhetskalkyl genomförs, där investeringskostnad och systemets driftkostnad vägs mot eventuella intäkter. En lönsamhetsbedömning av QoE-baserad resursallokering krävs som grund för mobiloperatören att förutse deras potentiella fördelar med QoE-baserad resursschemaläggning. Denna uppsats undersöker lönsamheten av att implementera QoE i termer av förlorade intäkter, jämfört med proportionell rättvis (PF) schemaläggning, i att leverera en videoströmservice. I QoE-baserad RRM användes buffertprocentandel som användes av användarna i resursallokeringsprocessen.  De två olika systemen simulerades genom att använda olika antal basstationer i mobilnätverkskonfigurationen. Användarnöjdhet kvantifierades genom att låta användarna betygsätta tjänsten, detta värde användes därefter till att uppskatta hur många av kunderna som sannolikt ej skulle återanvända tjänsten. En lönsamhetskalkyl genomfördes genom att prediktera förlorade intäkter med avseende på kunderna som ej skulle återanvända tjänsten. Resultaten från simulerings- och lönsamhetsberäkningen visade att även om QoE erbjuder en högre kundnöjdhet av tjänsten och tillfredsställelse för er basstationer, så leder inte en QoE-implementering till signikanta fördelar för nätverket i termer av förlorade intäkter och investeringskostnader jämfört med ett PF schemaläggare. Detta indikerar att om ett företags mål är att höja kundlojaliteten, då skall företaget applicera en PF schemaläggare istället för QoE.

Denna studie undersöker hur spelupplevelsen i ett "management"-spel förändras om virtuella karaktärer agerar verklighetstroget i sina handlingar och val samt hur en spelutvecklare kan hålla nere påverkan på spelets prestanda och samtidigt bibehålla trovärdigheten hos spelets virtuella karaktärer. Resultat från tidigare forskning om AI-LOD har använts som grund i utvecklingen av en prototyp av ett "management"-spel som sedan testats av åtta deltagare följt av individuella intervjuer gällande deras upplevelser av och reflektioner kring spelet. Studien presenterar förslag på tillvägagångssätt för att använda AI-LOD effektivt samt hur användarnas upplevelser har påverkats positivt och negativt av de designval som gjorts. / This study investigates how the player experience is affected in "management" games when the virtual characters' behaviors are pivoted towards realism. The study also investigates the usage of AI-LOD as a method to reduce the impact on performance by these virtual characters without sacrificing authenticity of their behavior. Results and findings from previous research in this particular field are used as a foundation in the development of a prototype of a "management" game. This prototype has been tested by eight participants followed by individual interviews on their experiences and thoughts on the game. The study presents suggestions on how to use AI-LOD effectively and how player experience has been affected both positively and negatively by design choices made during the development of this prototype.

In order to minimize greenhouse gas emissions and operational cost related to the ICT-infrastructure the power management method of a Radio Base Station (RBS) or Base Transceiver Station (BTS) at Ericsson is studied and modelled. The major load demand at RBS’s are due to uplink and downlink data traffic. Ericssons RBS’s contains power resources and energy storage systems that are controlled by a power controller module in order to meet load demand. Such power resources may be AC-grid, generator and photovoltaic cells etc. Using a certain power resource entails a distinct cost and emission. This thesis investigates the influence that the power controller logic has on cost and emission using two frameworks. One framework models the power resource management in the form of a hybrid dynamical system. Using this framework a new management policy is investigated and compared with the current management policy. The second framework investigates the usage of MPC for controlling the power sources during operation. Using this framework a third management policy is introduced and compared with the current implementation. The performance of the three management policies are compared by simulating a standard RBS operation scenario. The results show that during a RBS scenario where the grid will never fail the third management method using MPC outperforms the other two management policies. In the RBS scenario that the grid may fail the second management method outperforms the current implementation. The implication of these results may be that during a scenario of no grid failure it is more advantageous to decrease emission and cost by using a supervisory control method. During a scenario where grid failure may occur using the second management method, where battery is used as more than just a back-up unit, is more advantageous for decreasing emission and cost. / För att minimera utsläpp av växthusgaser och driftskostnader inom ICT-infrastrukturen studeras och modelleras effekt-hanteringen för en radiobasstation (RBS) eller Base Transceiver Stations (BTS) på Ericsson. Det stora belastningsbehovet hos en RBS beror på upplänk och nedlänksdatatrafik. Ericssons RBS innehåller kraftresurser och energi lagringssystem som styrs av en effektkontrollmodul för att möta lastbehovet. Sådana kraftresurser kan vara AC-nät, generator eller solceller etc. Användandet av en viss kraftresurs medför en distinkt driftkostnad och utsläpp. Detta examensarbete undersöker effekten som kontrollmodulens logik har på kostnad och emission genom två tillvägagångssätt. Ett tillvägagångssätt modellerar effekt-hanteringen i form av ett hybrid dynamiskt system. Med detta tillvägagångssätt utreds en ny resurs förvaltningspolicy och jämförs med den nuvarande implementerade policyn. Det andra tillvägagångssättet undersöker användningen av MPC för att styra effekt-hanteringen under drift. Detta tillvägagångssätt leder till en tredje förvaltningspolicy som jämförs med den nuvarande implementerade policyn. Prestandan av de tre förvaltningspolicyerna jämförs genom att simulera olika scenarion av RBS-drift. Resultaten visar att under ett RBS-scenario där nätet aldrig kommer att förloras överträffar den tredje förvaltningspolicyn som använder MPC, de andra två förvaltningsmetoderna. I ett RBS scenario där nätet kan förloras överträffar den andra förvaltningsmetoden den nuvarande implementeringen. Resultaten tyder på att under ett scenario utan nätfel är det mer fördelaktigt för att minska utsläpp och kostnader genom att använda den tredje förvaltningsmetoden. Under ett scenario där nätfel kan inträffa är den andra förvaltningsmetoden, där batteriet används som mer än bara en reservenhet, mer fördelaktig för att minska utsläpp och kostnader.