Académique Documents
Professionnel Documents
Culture Documents
Contenu :
-
SYSTEME
CARACTERISATION
DE FLUX
Modlisation
MODELE
Rsolution (simulation, analytique)
RESULTATS
Validation, optimisation, ...
1
T1
P1
1
1
PO3
PO2
t0
t1
t2
PO1
consommation
T1
arrive
1 dpart
PL3
PL2
PL1
systme
M1
Trs fidle
Non exploitable
M2
Assez fidle
Relativement exploitable
M2
Peu fidle
Trs exploitable
Mdium TX
Stations Mdium TX
RAM
A
Sortie A
RAM
Proc
Sortie B
Sortie X
Commutateur
A
7
1
8
10
100
Mthodes de rsolution
- Simulation
o Par programmation en langages gnraux : C, Java,
o Outils autour des FdA : JMT (http://jmt.sourceforge.net/ ), Opnet
(www.opnet.com), ns2 et 3 (www.isi.edu/nsnam), OMNeT++
(www.omnetpp.org),
- Analytique
o Analyse probabiliste, thorie des FdA, rsultats statistiques
o Analyse dterministe (exemple : analyse dordonnanabilit dans
le pire cas, Network calculus ou Algbre max/min, +), rsultats
du type bornes suprieures
- Mesure de performance (si le systme existe)
o Wireshark (ex Ethereal),
Station mettrice
Gnrateur
de
messages
Station rceptrice
Rcepteur
de
messages
Rseau
local
Commutateur/routeur
Wq
Dtx
Dprop
Dlai du rseau dinterconnexion
Wq
Dlai de bout en bout
Dbit =
Source B
Source A
interarrive
Bufferis ou
rejet
Taux de service:
c bit/s
Attention : la garantie est donne vis vis de source B mais non plus source A
La source B est dite (, )-born avec la taille de rafale et le dbit moyen. Le trafic entrant
durant [0, t[ est alors born par :
B(t) = + t
ordonnancement
S2
.
.
.
Serveur de
capacit c
SN
interarrive
Flux et contraintes :
Priodique ou sporadique: date initiale quelconque (Ci, Ti) ou fixe (ri, Ci, Ti)
Priodique avec gigues : (Ci, Ti, Ji) ou (ri, Ci, Ti, Ji)
( i, i)-born
Alatoire avec un temps moyen dinter-arrive Ti et un temps moyen de service Ci
La quantit du travail apporte par un client est dfinie par Wi avec notamment Ci = Wi / c .
Modle de base :
S
a(t) = A(t) A(t 1)
q(t)
Equation de Lindley :
q(t + 1) = max(0, q(t) + a(t + 1) c)
ou
q(t + 1) = (q(t) + a(t + 1) c)+ avec x+ = max(0,x)
6
5
4
3
2
1
q(t)
3
2
1
t-1
t+1 t+2
File dattente :
Population de clients
Service
File d'attente
Serveur 1
Flux
d'entre
Serveur 2
Serveur c
taux d'arrive
"
Ns
Nq
!
temps d'interarrive
temps de service
Serveur c
w
Rsultats gnraux :
N
Nq
q
W
E(N) = E(W)
E(Nq) = E(q)
E(W) = E(q) + 1/
#% P[A]+ P[B], si A ! B = !
P[A ! B] = $
%& P[A]+ P[B]" P[A ! B], sinon
P[A ! B] = P[A] P[B],
si A et B sont indpendantes
Probabilit conditionnelle :
P[A B] =
P[A ! B]
P[B]
Probabilit totale :
! A = ";
i
i!E
Ai ! Aj = #, $i % j
1 1 1
P[A ! B] = + =
6 6 3
3 1
P[B] = =
6 2
A ! B ={1,3}
P[A] =
3 1
=
6 2
Si A est ralis, cest que lon tire soit 1, soit 3, soit 5 ; B est alors ralis si on a tir soit 1, soit 3
(mais pas 5), cest dire si A ! B est ralis.
La probabilit de B sachant que A est ralis est alors 2/3.
P[B A] =
2
=
3
1
3
1
2
P[A ! B]
P[A]
n = -, , +, avec
- v.a. continue X, E ! !
fonction de densit de probabilit :
f X ( x)dx = 1
P[ x < X x + x]
x
f X ( x) = 0 pour x [-, 0[
p ( n) = 1
n =
Cas discret :
m
P[n < X m] =
k = n +1
Cas continu :
b
E[ X ] =
np(n)
n =
+
E[ X k ] =
n k p ( n)
n =
Cas continu :
E[ X ] =
E[ X k ] =
xf X ( x)dx
x k f X ( x)dx
[X ] = V[X ]
[X ]
- Le coefficient de variation cv[X] :
cv[ X ] =
E[ X ]
E[ X ] = nP[ X = n] =
n =1
a
1 a
a
V[X ] =
(1 a)2
Exercice : dmontrer ces deux proprits ci-dessus.
Loi gomtrique de base : P[X=n] = an-1(1-a) ; n = 1, 2,
P
[
X
=
n
]
=
e
v.a. discrte X de paramtre , ayant
n!
(1 + 2 )n ( 1 +2 )
P[ Z = n] =
e
n!
Loi exponentielle
v.a. continue T de paramtre , ayant
(
fT (t ) = e t ; t 0
fT (t ) = 0; t < 0 )
Proprit 1 :
t
FT (t ) = P[T t ] =
fT ( x)dx = 1 e t
Proprit 2 :
P[T t + t0 T > t0 ] =
e t0 (1 e t )
t
=
=
1
e
= P[T t ]
t0
e
Interprtation de la proprit 3 :
Paradoxe de linspection (exemple de passage de bus).
Deux passages conscutifs dun bus suivent une distribution exponentielle de .
Si les bus passent en moyenne toutes les 1/ = 15 minutes, et quon attend depuis une heure.
Tout ce quon sait dire : le prochain bus narrivera en moyenne que dans 15 minutes !
La loi expoentielle est la seule loi continue sans mmoire.
Processus de comptage :
Un processus stochastique {X} espace dtat discret est un processus de comptage ssi toute
ralisation particulire (trajectoire) de X est une fonction croissante, nulle en 0 :
En discret : X0 = 0 ;
Xn-1 Xn, !n " #
En continu : X(0) = 0 ; X(t) X(s) , !t < s ! !
Processus de Poisson :
Une chane temps continu et espace dtat discret {N(t)} est un processus de Poisson de
paramtre ssi :
- {N(t)} est un processus de comptage
- {N(t)} est un processus stationnaire et incrments indpendants
( t ) k t
- P[ N ( s + t ) N ( s) = k ] = k ! e
Transforms en z et de Laplace :
Pour une v.a. discrte x, sa f.g. :
x
X ( z ) = E[ z ] = z i P[ x = i ]
i =0
1 d i X ( z)
P[ x = i] =
i! d i z
z =0
Lintrt de passer par la f.g. est la facilit dobtention des moments dune v.a.
dX ( z )
E[ x] =
dz
i 1
=
iz
P[ x = i]
z =1
i =0
z =1
2
d
X ( z)
2
E[ x ] =
d 2z
dX ( z )
z =1 +
dz
z =1
Pour une v.a. continue x, sa f.g. est donne par la transform de Laplace:
P ( s ) = E[e sx ] = e st f x (t )dt
0
d j P(s)
ds j
s =0
= (t ) j f x (t )dt = (1) j E[ x j ]
0
Chane de Markov :
P[Xt = i Xt1 = i1, Xt2 = i2, , Xtk = ik] = P[Xt = i Xtk = ik]
Proprit sans mmoire :
L'tat prsent tant connu, l'avenir et le pass sont indpendants.
Chanes discrtes et continues :
- Quand t est discret, chane de Markov paramtre discret (note CMD).
- Si t est continu, chane de Markov paramtre continu (note CMC).
Xt2=5
6
5
4
3
2
1
Xt1=2
t
t1 t2 t3 t4 t5 t6 t7 t8
6
5
4
3
2
1
t1
t2t3 t4
t5
t6t7
t8
Processus espace dtat discret et temps continu et CMC des instants dobservation :
E
6
5
4
3
2
1
t0 t1 t2t3
tn-2 tn-1 tn
Espace discret : E N
Espace continu : E R
{An}n=1, 2, , 365
{N(t)}t>0
{Tn}n=1, 2, , 7
{W(t)}t>0
p =1
ij
jE
n N
p12
p22
.
.
.
.
.
.
.
.
.
p1j
pij
p12
2
p31
3
p41 = 1
p14
4
p33
0
P= p031
p12
0
0
0
0
1
p33
0
p14
0
0
0
SORTIE
1/2
1/2
2
1/2
1/4
5
1/4
1/2
1/4
3
4
1/4
1. Quelle est la probabilit quelle soit nouveau dans la pice 2 aprs 4 dplacements ? (2(4) = 3/16)
2. Combien de fois passera-t-elle en moyenne par la pice 3 avant de sortir ou de tomber dfinitivement
dans la pice 5 ? (R23 = 2)
3. Quelle est la probabilit que la souris trouve un jour la sortie ? (f26 = )
4. Combien en moyenne fera-t-elle de dplacements pour revenir dans la pice 2 ? (M2 = 5/2)
Rgime transitoire :
- Vecteur de probabilits dtats : (n) = [j(n)] j E = [1(n), 2(n), ...]
- j(n) = P[Xn = j]
Objectif de lanalayse:
dcrire lvolution du processus depuis ltat initial jusqu ltape n, en passant par toutes
les tapes intermdiaires
j(n) = P[Xn = j] =
P[X = j X
n
iE
Forme matricielle:
n 1
=i]P[X n 1 =i] =
(n 1)
i
pij
iE
(n) = (n-1)P
et
(n) = (0)Pn
P[X
iE
n N
= j X 0 =i]P[X 0 =i] =
(n) = (0)P(n)
iE
(0)
i
pij(n)
Proprit 1 : Le temps (ou le nombre dtapes) pass dans un tat dune CMD a une distribution
gomtrique.
Preuve : on sintresse au nombre dtapes passes dans un certain tat j.
Si pjj = 0, on ne reste jamais dans ltat j.
Si pjj 0, on a, chaque tape, une probabilit pjj de rester dans ltat j et une probabilit de
(1 - pjj) den sortir.
1-pjj
i j
1-pjj
Pjj
ij
1-pjj
Pjj
i j
j
Pjj
Distribution du nombre m dtapes passes dans ltat j est donc donne par : (1 - pjj) pjjm.
CMD est dite irrductible ssi de tout tat i on peut atteindre tout tat j (en un nombre fini dtapes)
1/2
1
1/2
1/4
Sous-chane
Absorbante 1
7
2
1/2
4
Sous-chane
Absorbante 2
3
1/2
1/2
Priodiques
Apriodiques
Etats
Rcurrents
Transitoires
Nuls
Non nuls
Un tat j est priodique si on ne peut y revenir quaprs un nombre dtapes multiple de k > 1
Dans lexemple 3, tat 6 est priodique de priode = 2. Etat 4 est apriodique.
La priode dune CMD est gale au PGCD de la priode de chacun de ses tats. Une CMD est
dite priodique si sa priode est suprieure 1.
La CMD de lexemple 3 est donc apriodique car son PGCD = 1.
Paramtres :
- fjj(n) la probabilit que le premier retour en j ait lieu n tapes aprs lavoir quitt.
nf
n =1
(n )
jj
f
n =1
(n)
jj
Pour lexemple 3 :
(n)
11
f
n =1
n =0
( ) (12 ) =
- Etat 3 est rcurrent non nul car f33 = f33(3) + f33(5) + f33(7) + = ()1 + ()2 + ()3 + = 12
()
1 et M3 = 3*()1 + 5*()2 + 7*()3 + = (2n+1) 12 = 5. Notons que p33(3) = f33(3), p33(5) = f33(5), p33(6) =
n =1
Exercice : Dans la CMD suivante, vrifier que f11(1) = 1/6, f11(2) = 1/8, f11(3) = 25/48, Calculer
p11(1), p11(2), p11(3), ainsi que f11.
1/4
1/6
1/2
1/2
1/4
1/3
1/4
4
3/4
Proprit 3 : Tous les tats dune CMD irrductible finie sont rcurrents non nuls.
fij(n) la probabilit daller de i j en exactement n tapes (donc sans passer par ltat j de faon
intermdiaire)
fij(1) = pij
fij(n) =
et
(n 1)
ik kj
k j
M2 =
nf
n =1
(n )
22
= nf
n =1
(n )
22
= 2,5.
pour n > 1.
partant de i) :
fij = fij(n)
n =1
Pour aller de i en j (en un nombre quelconque dtapes), soit on y va directement (en une tape),
soit on va un tat k diffrent de j et il reste aller de k j (en un nombre quelconque dtapes) :
Rij le nombre moyen de passage par ltat j sachant quon vient de ltat i :
Rij =
nPij(n)
n P[exactement n passage par j tat initial = i] =
n =1
n =1
Rgime permanent
On sintresse la limite lorsque n tend vers linfini du vecteur des probabilits (n)
Dans une CMD irrductible et apriodique le vecteur des probabilits limites j =
(0)
iE
pour tout j E
=1
Pour tout tat j, flux sortant de ltat j = flux entrant dans ltat j
= P correspond bien au passage la limite sur le systme dquations liant les probabilits
transitoires (n) = (n-1)P
0,6
2
0,4
0,2
0,4
0,6
0, 6 0, 4 0
P = 0, 2 0, 6 0, 2
0 0, 4 0, 6
Cest une CMD finie, irrductible et apriodique. Tous ses tats sont rcurrents non nuls, que la
limite, lorsque n tend vers linfinie de (n) existe, est indpendante de (0) et est de solution du
systme dquations suivant :
= P
1+ 2+ 3 = 1
Avec la solution : = [0,25
0,5
0,25].
(0)
(1)
(2)
(3)
(4)
(5)
(6)
(7)
(8)
(9)
(10)
(11)
(12)
(13)
(14)
(15)
(16)
(17)
(18)
(19)
(20)
[1 0 0]
[0.60000 0.40000
[0.44000 0.48000
[0.36000 0.49600
[0.31520 0.49920
[0.28896 0.49984
[0.27334 0.49997
[0.26400 0.49999
[0.25840 0.50000
[0.25504 0.50000
[0.25302 0.50000
[0.25181 0.50000
[0.25109 0.50000
[0.25065 0.50000
[0.25039 0.50000
[0.25024 0.50000
[0.25014 0.50000
[0.25008 0.50000
[0.25005 0.50000
[0.25003 0.50000
[0.25002 0.50000
0.00000]
0.08000]
0.14400]
0.18560]
0.21120]
0.22669]
0.23601]
0.24160]
0.24496]
0.24698]
0.24819]
0.24891]
0.24935]
0.24961]
0.24976]
0.24986]
0.24992]
0.24995]
0.24997]
0.24998]
[0 1 0]
[0.20000 0.60000
[0.24000 0.52000
[0.24800 0.50400
[0.24960 0.50080
[0.24992 0.50016
[0.24998 0.50003
[0.25000 0.50001
[0.25000 0.50000
[0.25000 0.50000
[0.25000 0.50000
[0.25000 0.50000
[0.25000 0.50000
[0.25000 0.50000
[0.25000 0.50000
[0.25000 0.50000
[0.25000 0.50000
[0.25000 0.50000
[0.25000 0.50000
[0.25000 0.50000
[0.25000 0.50000
0.20000]
0.24000]
0.24800]
0.24960]
0.24992]
0.24998]
0.25000]
0.25000]
0.25000]
0.25000]
0.25000]
0.25000]
0.25000]
0.25000]
0.25000]
0.25000]
0.25000]
0.25000]
0.25000]
0.25000]
[0 0 1]
[0.00000 0.40000
[0.08000 0.48000
[0.14400 0.49600
[0.18560 0.49920
[0.21120 0.49984
[0.22669 0.49997
[0.23601 0.49999
[0.24160 0.50000
[0.24496 0.50000
[0.24698 0.50000
[0.24819 0.50000
[0.24891 0.50000
[0.24935 0.50000
[0.24961 0.50000
[0.24976 0.50000
[0.24986 0.50000
[0.24992 0.50000
[0.24995 0.50000
[0.24997 0.50000
[0.24998 0.50000
0.60000]
0.44000]
0.36000]
0.31520]
0.28896]
0.27334]
0.26400]
0.25840]
0.25504]
0.25302]
0.25181]
0.25109]
0.25065]
0.25039]
0.25024]
0.25014]
0.25008]
0.25005]
0.25003]
0.25002]
M/G/1
Poisson
d(t)
n(t)
m(t)
Pk (t ) = e ! "t
(" t) k
k!
i+1 i+2
ni : nombre de clients dans le systme (ceux dans la file + celui dans le serveur) aux points
d'observation (instants o un client quitte le systme),
ai : nombre de clients arrivs durant le temps de service d'un client.
ni+1 = ni - U(ni) + ai+1
(1)
"0, x ! 0
U (x) = #
$1,x > 0
Le nombre de clients l'instant i+1 ne dpend que de celui de l'instant i et les nouvelles arrives
ni a une distribution stationnaire ssi ! = "m < 1.
! (k ) = lim P[ni = k ]
i" #
i !"
i! "
(2)
(3)
"
(4)
(1)
induit une chaine de Markov infinie. = P nest pas pratique pour obtenir la distribution
stationnaire du nombre de clients dans le systme.
La fonction gnratrice de {ni} est la transform en Z de sa fonction de densit qui est dfinie
par :
ni
De l'quation 1, on a:
Pi +1(z ) = E[z ni !U ( ni )+ ai +1 ]
Comme ai et ni sont indpendants, on a alors :
(5)
E[z
ni !U ( ni )
"
] = # z k !U (k )P[ni = k ]
k=0
E[z
ni !U ( ni )
"
] = P0 + # z
k =1
k !1
"
P[ni = k ] = P0 + z ( # z k P[ni = k ] ! P0 )
!1
k=0
On a alors :
(6)
i !"
i !"
P0 (1 z ) A( z )
A( z ) z
P(z) =
(7)
n = P !(z ) z =1
La drive de l'quation 7 donne :
P'(z)[A(z) - z] + P(z)[A'(z) - 1] = (1 - ) (-1)A(z) + (1 - )(1 - z)A'(z)
En drivant encore une fois (rgle de LHpital), on obtient :
P"(z)[A(z) z] + 2P'(z)[A'(z) 1] + P(z)A"(z) = 2(1 - )(-1)A'(z) + (1 - )(1 - z)A"(z)
Avec z = 1 et comme A(1) = P(1) = 1, on a :
n = P !(1) =
(1" #) A !(1)
A"(1)
+
1 " A !(1)
2(1" A ! (1))
!
($t )n e % $ t
A(z ) = # " z
m(t)dt = # e % $ t(1% z )m (t)dt = M ($ (1 % z ))
n!
0 n =0
0
! !
Finalement :
"2 m 2
n = !+
2(1# !)
(9)
(8)
(10)
Le temps moyen de sjour d'un client peut tre obtenu soit en drivant l'quation 10 soit en
appliquant la formule de Little :
n
! m2
d = =m +
!
2(1" #)
(11)
M (s) = E [e
!s M
"
] = # e !st [e ! t ]dt =
0
+s
(12)
A(z ) =
! " (z ! 1)
et :
"
A !(z) z =1 =
[ # " (z # 1)]2
A"(z ) z =1 =
1
=$
z =1 = " m = "
2!
[ " ! (z "1)]3
z =1 = ! m = 2#
d =
1
!"
P(z) = (1)/(1z)
!
n =
1" !
-st
#sm
s(1 ! ")e !s m
D (s) =
s ! # + # e !s m
2! " ! 2
n =
2(1" !)
et
d =
m (2 ! ")
2(1 ! " )
Modles de commutateur
E
N
T
R
E
E
1
2
1
2
Cross-bar NxN
1
2
N
1 2
S
O
R
T
I
E
Buffers lentre
1
2
1
2
N
1 2
1 2
Commutateur de
cellules d'ATM
3 1
1 1
2 N 7 1
2 2
.
.
.
.
.
.
N N
1 4 2
ENTREE
SORTIE
Hypothse :
Arrive Bernoulli avec p cellules par entre et par slot.
Probabilit 1/N pour une destination donne.
Modle :
nombre de cellules la fin de chaque slot juste aprs le dpart d'une cellule :
Qm+1 = max (0, Qm + Am+1 - 1)
1
2
.
.
.
N
nombre de cellules dans la file la fin du mime slot juste avant le dpart d'une cellule :
Xm+1 =Xm + Am+1 - u(Xm)
Qm = Xm - u(Xm)
Distribution du nombre de cellules arrives dans la file durant le mime slot (distribution Binomiale) est la
mme que durant nimporte quel autre (on supprime ainsi lindice m de Am) :
i
ai =Pr ob[A=i]=(Ni )( p ) (1 p )
N
N
N i
et sa f.g. :
N
A(z)=z ai=(1
i=0
p p
+z )
N N
cellules arrives dans chaque buffer durant 1 slot (une unit de temps) :
1.1 Np/ N = p
P(z)=
(1)(1z)A(z)
A(z)z
Et P0 = P[Xm = 0] = 1 - = 1 p
Avec Qm = Xm - u(Xm), on a :
Q(z) = E[zQm] = E[zXm u(Xm)]
= z
k u(k)
P[Xm=k]
k =0
= P0 + z
( k 1)
P[ Xm = k ]
k =1
= P0 + z-1[P(z) P0]
Q(z)=
(1 p)(1z)
A(z)z
a4
a3
a3
a1
a0+a1
a2
0
a1
a2
1
a0
a2
...
2
a0
a0
p0 = P[Q = 0] =
p1 = P[Q = 1] =
1 p
a0
1 a0 a1
p0
a0
n
ai
1 a1
pn = P[Q = n] =
pn1 pni pour n 2
a0
i = 2 a0
P[ X = 0] + P[ X = 1], k = 0
P[Q = k ] =
P[ X = k + 1], k > 0
P[collision] = 1 - e-2m
= + (1 - e-2m)
le rendement = m
la charge du mdium R = m
= Re-2R
t-m
t+m
Temps
P[collision] = 1 - e-m
= Re-R
CSMA (Carry Sense Multiple Access) : si on a une trame transmettre, on coute le mdium
avant dmettre, on met ou rmet lors quon entend un silence
CSMA/CD (Carry Sense Multiple Access with Collision Detection) : une station qui a dtect
une collision interrompt son mission et rmet aprs un temps dajournement alatoire (calcul
selon lalgorithme BEB). Une station ncoute pas le mdium si elle na pas de trames
transmettre ou ncoute plus le mdium aprs la fin de transmission de ses trames
Collisions encore possibles si deux ou plusieurs stations mettent en mme temps (ou dans
une fentre temporelle Tmax cause du dlai de propagation)
Une taille minimale de trame est ncessaire afin que la station mettrice puisse toujours
dtecter une collision sur la trame quelle est en train dmettre
Pour viter re-collision , Rmission aprs un dlai R*Tmax avec R tir alatoirement
entre 0 et 2**K ; K = min(nb_rmission, 10) BEB (Binary Exponential Backoff)
[extrait de Mameri&thomesse]
[extrait de Mameri&thomesse]
Relation entre Dbit D, temps maximal dun aller-retour du signal (dlai de propagation) entre
deux stations Tmax et taille minimale de trame Lmin :
Lmin D*Tmax