Evaluation de performances stochastiques des rseaux

Intervenant: Ye-Qiong SONG (song@loria.fr)

Objectif :

Techniques ncessaires (Files dattente, simulation) lvaluation de

performances des rseaux (et systmes distribus)

Contenu :
-

Rappel des probabilits, Chanes de Markov

Thorie des files dattente, file M/G/1
Simulation vnements discrets
Evaluation de performances des rseaux (commutation)
Evaluation des protocoles daccs alatoire (type CSMA)

Pr-requis de la partie stochastique:

- Probabilit et processus stochastiques, [Thorie des files dattente]
- Rseaux

Introduction la modlisation et lvaluation de performances

Systmes vnements discrets :
Systmes dcrits par variables dtat discrtes. Les changements dtat se produisent sous
occurrence des vnements
Exemples :
- nombre de clients dans la file dattente devant un guichet (vie quotidienne),
- nombre de processus dans un CPU (systme informatique),
- nombre de pices en stock ou en traitement sur des machines (systme de production),
- nombre de messages ou paquets en attente dans les nuds de rseaux (rseaux de
communication)
- etc
Evaluation de performances des rseaux: calculer des paramtres de performances
- temps de rponse dun client (message ou paquet)
- dbit : taux dutilisation dune liaison rseau
- nombre de clients (message ou paquet) dans un nud rseau (occupation de mmoire)

Paramtres de performances dfinis dans la QoS :

Bandwidth : Peak Data Rate (PDR), Sustained Data Rate (SDR), Minimum Data Rate
(MDR)
Delay: End-to-End or Round-Trip Delay, Delay Variation (Jitter)
Reliability: Availability (as % Uptime), Mean Time Between Failures/Mean Time To
Repair (MTBF/MTTR), Errors and Packet Loss
Types de rsultats :
- valeur moyenne
- variance
- distribution de probabilit (renseignement complet dune variable alatoire)
- valeur maximale (pour garantie dterministe, QoS dans les rseaux)
Pourquoi valuer les performances dun systme ?
- en conception, satisfaire le cahier des charges
- en exploitation, rendre le systme plus performant
- en recherche, justifier lintrt dune nouvelle solution (algorithmes, protocoles,
architectures, )

Comment valuer les performances dun systme ?

- modliser : dcrire le systme dans un formalisme en fonction du besoin
danalyse (Files dattente, Rseaux de Petri, automates stochastiques, )
- analyser :
o analyse qualitative (pour vrifier les proprits structurelles et
comportementales tq. Vivacit, stabilit, )
o analyse quantitative
mthodes analytiques (FdA, automates stochastiques, )
simulation

SYSTEME

CARACTERISATION
DE FLUX

Modlisation

MODELE
Rsolution (simulation, analytique)
RESULTATS
Validation, optimisation, ...

Formalismes : Rseaux de Petri temporiss et stochastiques vs. Rseaux de FdA

1
T1
P1
1

1
PO3

PO2
t0

t1

t2

PO1

consommation

T1

arrive
1 dpart
PL3

PL2

PL1

Modlisation (modle vs. Systme rel) :

- Performances obtenues sont celles du modle et non celles du systme rel !
- Compromis entre adquation modle-systme et facilit danalyse du modle

systme

M1

Trs fidle
Non exploitable

M2

Assez fidle
Relativement exploitable

M2

Peu fidle
Trs exploitable

Caractrisation stochastique des systmes

En ralit, tous les systmes sont dterministes (prvoir leur volution avec certitude)
Dans la pratique, on ne dispose pas toutes les informations ncessaires, ou lanalyse fine est
trop complexe.
On fait recours alors la notion dalatoire. Il sagit de remplacer les informations
manquantes ou trop complexe exploiter par une caractrisation stochastique (probabiliste)
Exemple 1 : lanc dun d
o Forme et texture de la surface
o Position initiale dans la main
o Mouvement exact de la main pendant le lancer
o Lois de frottement du d sur la main, dans lair et sur la table
==> Ecrire les quations mcaniques rgissant le mouvement du d, et les rsoudre
==> valeur sur laquelle sarrtera le d !
o Caractrisation exacte est impossible
o Probabilit 1/6 pour reprsenter son comportement moyen
Exemple 2 : routage des paquets dans les rseaux
o Si ladministrateur ne sintresse qu la charge moyenne de chaque lien de sortie dun
routeur
o Routage dterministe peut tre remplac par routage probabiliste

Exemple de modliser un commutateur

Sources

Mdium TX

Stations Mdium TX
RAM
A

Sortie A

RAM

Proc

Sortie B

Sortie X
Commutateur

Matrice de trafic (nombre de paquets / seconde)

vers
de
A
B
X

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),

Les attentes dans un rseau et les paramtres de performances:

Rseau dinterconnexion

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

Trafic dans les rseaux, performances moyennes (probabilistes) et la garantie de QoS

Un exemple :
Taille de paquets alatoire ou constante
Source
interarrive

ordonnancement Taux de service:

c bit/s

Objectif de lvaluation de performances : fournir une garantie sur le temps de traverse du

systme dun paquet
Si pas de connaissance sur le trafic dentre dans la file dattente, aucune garantie possible
Si connaissance stochastique sur le trafic, garantie probabiliste ou temps de traverse
moyen
- Si interarrive exponentielle et taille de paquets distribue exponentiellement, file M/M/1
- Si interarrive exponentielle et taille de paquets constante, file M/D/1
Si on veut une garantie absolue, il faut plus de connaissance sur le trafic dentre. Par exemple,
trafic priodique ou priodique avec des gigues (cf. ordonnancement). Ce type de trafic est
souvent difficile obtenir cause des comportements non dterministes des quipements
rseaux.

Dans la pratique on peut implmenter un limiteur de trafic (Leaky bucket)

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

Partage de ressources rseaux (liens de sortie dun nud)

S1

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

Une borne possible pour

majorer le flux dentre
q(t)
A(t)

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

nb. de clients dans le systme

Serveur 1

taux d'arrive
"

nb. de clients en service

Ns

Nq

nb. de clients dans la file

!
temps d'interarrive

temps de service

Serveur c
w

temps dans le systme

Notation de Kendall : A/B/m/K/N/Z

A : Processus d' arrive des clients (distribution dinterarrive).
B : Schma de service (distribution de dure de service de clients).
m : nombre de serveurs.
K : capacit maximale de la file dattente.
N : nombre de clients utilisant le systme.
Z : discipline du systme qui dcrit la faon dont les clients sont ordonnancs.
Pour les arrives et les services on utilise les symboles suivants:
- M : loi exponentielle.
- D : loi dterministe.
- G : loi gnrale.
- Hk : loi hyperexponentielle d'ordre k .
- Ek : loi d'Erlang d'ordre k .
Le nombre de serveurs peut varier de 1 l'infini (not ), de mme pour K et N .
En ce qui concerne Z, les ordonnancements les plus utiliss sont:
- FIFO (First In, First Out).
- LIFO (Last In, First Out).
- RANDOM: le prochain client servir est choisi alatoirement.
- Round-Robin (cyclique avec un quantum Q).
- PS (Processor Sharing): Round-Robin avec Q tend vers 0. Tous les n clients servis en mme temps
avec un taux /n.
- PRIOR (Avec priorit, avec premption ou sans premption).

Rsultats gnraux :
N
Nq

q
W

Condition de stationnarit : <

Formules de LITTLE :
et

E(N) = E(W)
E(Nq) = E(q)
E(W) = E(q) + 1/

Probabilits lmentaires (rappel)

- : lunivers des vnements
- A (ou ) : un sous-ensemble de
- P[] = 1, P[] = 0
- Les oprations des ensembles classiques

#% 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

P[B] = ! P[B Ai ]iP[Ai ]

i!E

Exemple de la probabilit conditionnelle de B sachant que A est ralis :

On lance un d : = {1, 2, 3, 4, 5, 6}
Soit A lvnement : le rsultat est impair ; A = {1, 3, 5}
Soit B lvnement : le rsultat est infrieur ou gal 3 ; B = {1, 2, 3}

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]

Variables alatoires (rappel)

Une v.a. X prend la valeur lissue dune exprience alatoire (e.g. loto).
A chaque vnement de , on associe un nombre X() E (espace fini ou infini).
X est une application probabilisable de lespace (, P) dans E.
Exemple : Exprience alatoire du lancer dun d.
= {1, 2, 3, 4, 5, 6}
v.a. :
X() = -1 si 3
X() = 1 si 4
E = {-1, 1}
Probabilit que X prenne une des valeurs de E :
P[X=x] = P[{ t.q. X()=x}, xE]

Deux types de v.a. : Discrte et Continue :

- v.a. discrte X, E ! !
+

probabilit dtat : p(n) = P[X=n],

n = -, , +, avec

- v.a. continue X, E ! !
fonction de densit de probabilit :

f X ( x) pour x [-, +], avec

f X ( x) = lim
x 0

f X ( x)dx = 1

P[ x < X x + x]
x

- X est une v.a. valeur positive :

Cas discret : p(n) = 0, n = -, , -1
Cas continu :

f X ( x) = 0 pour x [-, 0[

p ( n) = 1

n =

Fonction de rpartition FX(x) = P[Xx]

Une v.a. est parfaitement caractrise par sa fonction de rpartition

FX(x) 0 pour tout x
FX(x) FX(y) pour tout xy
FX(-) = 0 et FX(+) = 1
P[a < X b] = FX(b) - FX(a) pour tout a b

Cas discret :
m

P[n < X m] =

p(k ) =FX (m) FX (n)

k = n +1

Cas continu :
b

P[a < X b] = f X ( y )dy = FX (b) FX (a)

a

Les moments, Esprance et Variance

Cas discret :
+

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

- Une v.a. est parfaitement caractrise par tous ses moments

- La variance V[X] et lcart-type [X] :
V[X] = E[X2] (E[X])2

[X ] = V[X ]
[X ]
- Le coefficient de variation cv[X] :

cv[ X ] =

E[ X ]

Les lois de probabilit (rappel)

Loi gomtrique modifie :
v.a. discrte de paramtre a ayant P[X=n] = an(1-a) ; n = 0, 1,
Interprtation :
X : nombre de tirages conscutifs de pile
P[X=n] : probabilit de tirer pile exactement n fois de suite
a : probabilit de tirer pile
1-a : probabilit de tirer face

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,

Proprit sans mmoire de la loi gomtrique :

P[X n+n0 X n0] = P[X n]
Explication : Ce nest pas parceque lon a dj tir 50 fois de suite pile que lon a plus de
chance, au coup suivant, de tomber sur face .
La pice ne garde pas la mmoire des tirages prcdents !
Il sagit de la seule loi discrte sans mmoire
Loi de Poisson

P
[
X
=
n
]
=
e
v.a. discrte X de paramtre , ayant
n!

Proprit : E[X] = V[X] =

Exercice : dmontrer cette proprit.
Les lois de Poisson sadditionnent : Z = X + Y, X de 1 et Y de 2

(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 :

E[T ] = tfT (t )dt =

0

Exercice : dmontrer la proprit 2

Proprit 3 (sans mmoire) :

P[T t + t0 T > t0 ] = P[T t ]

Preuve :

P[T t + t0 T > t0 ] =

P[t0 < T t + t0 ] FT (t + t0 ) FT (t0 )

=
P[T > t0 ]
1 FT (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 stochastiques (rappel)

Un processus stochastique {X(t)}tT est une fonction du temps dont la valeur chaque instant
dpend de lissue dune exprience alatoire.
A chaque tT, X(t) est donc une v.a.
- T peut tre discret ou continu
- Lensemble de lespace dtat E dans lequel X(t) prend des valeurs peut tre discret (fini ou
infini) ou continu.

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 ! !

Un processus stochastique est dit incrments indpendants ssi :

En discret : Xn - Xn-1, Xn-1 - Xn-2,, X1 X0 sont indpendants
En continu : X(tn) - X(tn-1), X(tn-1) - X(tn-2),, X(t1) - X(t0) sont indpendants
Un processus stochastique est dit stationnaire ssi :
En discret : Xn - Xn-1 et X1 X0 sont distribues selon la mme loi n Z
En continu : X(s+t) X(s) et X(t) X(0) suivent la mme loi t et s [0, [

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

Arrives Poissonniennes inter-arrives exponentielles

Dcomposition et superposition

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

o z est une variable complexe.

Nous avons lquivalence suivante : f.g. p.d.f. (i.e. P[X=i]). Au fait,

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

, quand x est positive.

s =0

= (t ) j f x (t )dt = (1) j E[ x j ]
0

Chanes de Markov - dfinitions

Processus alatoire :
Un processus alatoire valeurs dans un ensemble E, est une famille de v.a (variable alatoire) Xt
valeurs dans E indexes par un paramtre t dcrivant l'ensemble T et on note (Xt ; tT).

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).

Modlisation : CM pour dcrire lvolution dun systme vnements discrets

CMD instants de changement dtat quidistants tn = nT:
E

Xt2=5

6
5
4
3
2
1

Xt1=2
t

t1 t2 t3 t4 t5 t6 t7 t8

CMD instants de changement dtat quelconques :

E

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

Exemples des diffrents types de processus stochastiques

En temps discret : n Z

Espace discret : E N

Espace continu : E R

En temps continu : t[0, +]

Nombre dappels changs

suivant le jour de lanne :

Nombre de messages arrivant

dans lintervalle [0, t] :

{An}n=1, 2, , 365

{N(t)}t>0

Temps moyen de traitement

par rapport au jour de la
semaine :

Temps dattente dun message

arrivant linstant t :

{Tn}n=1, 2, , 7

{W(t)}t>0

Chanes de Markov paramtre Discret

Dfinition 1 : (Xn ; nN) est une CMD ssi
P[Xn = j Xn-1 = in-1, Xn-2 = in-2, , X0 = i0] = P[Xn = j Xn-1 = in-1]
pij(m,n) = P[Xn = j Xm = i]
CMD est dite homogne si P[Xn = j Xm = i] ne dpend que de n-m pour i et j fixs :
pij(n) = P[Xn+m = j Xm = i]
Probabilit de transition en une tape :
pij = pij(1) = P[Xn = j Xn-1 = i]
Probabilit en sortant dun tat :

p =1
ij

jE

n N

Matrice de transition (P = [pij]i, j E) :

p11
p21
.
.
P = .
pi1
.
.
.

p12
p22
.
.
.

.
.

.
.

.
.

p1j

pij

Exemple1 : une CMD avec E = {1, 2, 3, 4} et son graphe dtat-transition :

p23 = 1

p12

2
p31

3
p41 = 1

p14
4

p33

0
P= p031

p12
0
0
0

0
1
p33
0

p14
0
0
0

Exemple 2 : une souris dans un labyrinthe

SORTIE
1/2
1/2

2
1/2

1/4
5

1/4

1/2

1/4
3

4
1/4

Etat initial : souris place dans la pice 2.

Questions :

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)

Analyse : Rgime transitoire et Rgime permanent

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

Une autre faon pour obtenir cette relation

Probabilit de transition en m tapes :

pij(m) = P[Xn+m = j Xn = i]
j(n) = P[Xn = j] =
forme matricielle :
montrer : P(n) = Pn

P[X
iE

n N

= j X 0 =i]P[X 0 =i] =

(n) = (0)P(n)

iE

(0)
i

pij(n)

Question 1 de lexemple 2, on calcule 2(4) sachant que 2(0) = 1.

(n) = (0)P(n)
2(4) = 2(0)p22(4) = p22(4)
3 chemins possibles :
- 2 4 3 1 2, avec probabilit : (1/2)(1)(1/4)(1/2) = 1/16
- 2 1 2 1 2, avec probabilit : (1/2)(1/2)(1/2)(1/2) = 1/16
- 2 1 1 1 2, avec probabilit : (1/2)(1/2)(1/2)(1/2) = 1/16
2(4) = p22(4) = 3/16

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)

Exemple 3 : CMD rductible

1/4

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

Classification des tats :

Etats

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.

- fjj la probabilit de revenir en j aprs lavoir quitt : fjj =

- Mj le temps moyen de retour en j : Mj =

Un tat j est dit :
- Transitoire si fjj < 1
- Rcurrent si fjj = 1 ; de plus il est
o Rcurrent nul si Mj =
o Rcurrent non nul si Mj <

nf
n =1

(n )
jj

f
n =1

(n)
jj

Pour lexemple 3 :

- Etat 1 est transitoire car f11 =

(n)
11

f
n =1

= f11(2) = (1/2)(1/2) = < 1. Notons que f11(4) = 0 car on retourne

ltat 1 pour la deuxime fois en 4 tapes. Par contre p11(4) = 1/16.

- Etat 6 est rcurrent non nul car f66 = f66(2) = 1 et M6 = 2* f66(2) = 2

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

f33(3)*f33(3) = , Mais f33(6) = 0

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

Pour rpondre la question 4 de lexemple 2 :

f22(1) = p22 = 0
f22(n) = p21 f12(n-1) + p24 f42(n-1) = 0,5 f12(n-1) + 0,5 f42(n-1)
Il faut rappliquer cette relation f12(n-1) et f42(n-1).

M2 =

nf
n =1

(n )
22

Exercice : montrer que M2

= nf
n =1

(n )
22

= 2,5.

pour n > 1.

fij la probabilit daller de i en j en un nombre quelconque dtapes (probabilit datteindre j en

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) :

fij = pij + pik fkj

k j

Pour rpondre la question 3 de lexemple 2 :

f26 = p21f16 + p24f46 = 0,5f16 + 0,5f46
f16 = p11f16 + p12f26 = 0,5f16 + 0,5f26
=> f16 = f26
f46 = p43f36 = f36
f36 = p36 + p31f16 + p32f26 + p35f56 = 0,25 + 0,25f16 + 0,25f26 + 0,25f56
Ltat 5 tant absorbant: f56 = 0.
Finalement : f26 = 0,5f26 + 0,5(0,25 + 0,5f26)
f26 = 0,5

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

Rij = fij(1 fjj) n (fjj)n-1 = fij/(1 fjj)

n =1

Pour rpondre la question 2 de lexemple 2 : R23 = f23/(1 f33)

f23 = p21f13 + p24f43 = 0,5f13 + 0,5f43
f13 = p11f13 + p12f23 = 0,5f13 + 0,5f23
=> f13 = f23
f43 = p43 = 1 => f23 = 0,5f23 + 0,5 => f23 = 1
f33 = p31f13 + p32f23 = 0,5f13 + 0,25f23 = 0,5
On a donc R23 = 2.

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 =

lim (jn) existe

n

(0)

toujours et est indpendant de la distribution des probabilits initiales .

j = i pij
iE

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

Exemple : Considrons la CMD suivante :

0,2
0,6

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].

Calcul itratif en appliquant (n) = (n-1)P.

(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

Convergence vers le vecteur limite est assez rapide dans la pratique

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)

Flux darrive Poisson :

Pk (t ) = e ! "t

(" t) k
k!

Remarque : peut aussi suivre un autre processus Markovien.

Distribution du temps de service :
M(t) = P[Temps de service t]
et sa fonction de densit :
m(t) = dM(t)/dt
et le temps moyen de service :
!

m = " tm(t )dt

0

Chane de Markov induite (Embedded)

Choisir la fois une suite des instants dans le temps pendant l'volution d'un processus et un
tat de sorte que la chane de Markov se forme
A des instants t1 t2 ... ti, ... on observe les variables d'tat correspondantes S1, S2, ..., Si
P[SN = lN | S1 = l1, S2 = l2, ..., SN-1 = lN-1] = P[SN = lN | SN-1 = lN-1]
Nombre de clients dans M/G/1 forme une chane de Markov induite des instants o un client
quitte le systme
n(t)
3
2
1
i-1

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" #

lim E[ni +1] = lim E[ni ] = n

i !"

i! "

(2)

Prenons l'esprance de chaque ct de (1) et d'aprs (2), on a :

E[U(ni)] = E[ai+1]

(3)

E[ai +1] = " E[ai +1 MessageLength = t ]m(t )dt

0
"

"

= # ! tm(t )dt = ! # tm(t )dt = ! m = $

0

E[U(ni)] =P[ni > 0] = 1 - P0

D'aprs (3), on a :
P0 = 1 -

(4)

Approche par la fonction gnratrice de ni

ni+1 = ni - U(ni) + ai+1

(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

Pi (z) = E[z ] = " z k P[ni = k ]

k =0

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 :

Pi +1(z ) = E[z ni !U ( ni ) ]E[z ai +1 ] = E[z ni !U (ni )]A(z)

o A(z ) = E[z a ] est indpendant de l'indice i grce la stationnarit.
i

(5)

Pour le terme qui reste, par la dfinition de la fonction gnratrice, on a :

E[z

ni !U ( ni )

"

] = # z k !U (k )P[ni = k ]
k=0

Comme on peut crire :

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 :

E[z ni !U ( ni ) ] = P 0 + z !1(Pi (z) ! P0 )

De (5) et (6) on a :

Pi +1(z ) = [P0 + z !1(Pi (z ) ! P0 )]A(z )

(6)

Supposons que la solution stationnaire existe :

lim Pi +1(z ) = lim Pi (z) = P(z )

i !"

i !"

on a la f.g. de ni sous forme gnrale :

P( z ) =

P0 (1 z ) A( z )
A( z ) z

Dans le cas du flux darrive de Poisson (ou plus gnralement Markovien), on a P0 = 1 - .

Ce qui nous donne finalement :

P(z) =

(1! ")(1! z )A(z)

A(z) ! z

(7)

Nombre moyen de clients dans la file M/G/1

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))

A(z ) = E[z ] = " E[z a dure _transmission = t ]m(t )dt

0

!
($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
! !

o M(s) est la transform de Laplace de m(t).

A !(z) z =1 = " # M ! (0) = # m = $

A"(z ) z =1 = ! 2M "(0) = ! 2 m 2

Finalement :

"2 m 2
n = !+
2(1# !)

(9)

(8)

Temps de sjour de client d(t)

Grce aux arrives de Poisson, et en imaginant une nouvelle CMD aux instants distribus selon
d(t), on a :
n

P(z) = E [z ] = " E[z n dlai = t ]d(t )dt

0
#
( ! t )n e " ! t n
P(z) = % [ $
z ]d(t )dt = % e " ! t(1" z )d (t)dt = D( ! (1" z))
n!
0 n =0
0
#

La transform de Laplace de d(t) est donc :

D(s) = s(1-)M(s)/[s-+M(s)]

(10)

La transform inverse de Laplace nous donne la distribution de d(t).

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)

C'est la formule de Pollaczek-Khinchin.

On remarque que cette quation est lie celle de 9 par la formule de Little
(peut tre considre comme une sorte de dmonstration de la formule de Little).

Cas particulier : M/M/1

Pour un temps de service exponentiel de paramtre , m (t ) = e ! t et

M (s) = E [e

!s M

"

] = # e !st [e ! t ]dt =
0

+s

(12)

En remplaant s par (1-z) on a :

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#

Selon l'quation 10 et 12, la transform de Laplace de dlai est :

D(s) = ( - )/(s + - )

d =

1
!"

P(z) = (1)/(1z)

!
n =
1" !

Cas particulier : M/D/1

Pour un temps de service constant (ou dterministe), E[m (t )] = m , et
"! (t), t = m
m (t ) = #
$ 0, ailleurs
!

-st

M (s) = " m(t)e dt = e

#sm

(1! ")(z ! 1)e " (z !1)

P(z) =
z ! e " (z !1)

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

Commutateur non bloquant (avec mmoire tampon)

Buffers la sortie

Buffers lentre

1
2

1
2

N
1 2
1 2

Evaluation de performances dun commutateur ATM

un slot
1
2
.
.
.
N

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

Charge de chaque buffer :

= taux darrivs x dure de service = px1 = p
f.g. de X note P(z) :

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]

En substituant P(z) et = p, on a alors :

Q(z)=

(1 p)(1z)
A(z)z

a4
a3

a3

a1

a0+a1
a2
0

a1
a2

1
a0

a2

...

2
a0

a0

Figure : Graphe de probabilit de transition de Q

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[Q=0] P[X=0] = 1 p car ces deux distributions sont lies par:

P[ X = 0] + P[ X = 1], k = 0
P[Q = k ] =
P[ X = k + 1], k > 0

Protocoles daccs alatoire (MAC) et CSMA/xx

Aloha : on met quand on dsir, on rmet quand collision
messages de taille constante l dont la dure de transmission est m (avec l = m*Dbit).
(t)k
flux d'arrive de messages suit une loi Poissonnienne avec un taux messages/seconde. Pk(t) = k! e-t
file d'attente de chaque station est de capacit 1 et le nombre de stations est infini.
Pr[collision]

P[collision] = 1 - e-2m

= + (1 - e-2m)
le rendement = m
la charge du mdium R = m

 = Re-2R

Aloha segment : on met ou rmet quau dbut des tranches de temps

M1 M2 n'entre pas en collision

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)

Cas 1 : Collision non dtecte

[extrait de Mameri&thomesse]

Cas 2 : Collision dtecte

[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