Vous êtes sur la page 1sur 82

Modlisation des rseaux

Hakim Badis
IGM, Universit de Paris-Est Marne-la-Valle

H. Badis. 2010/2011

Aperu

Aperu

On a besoin dune base :


En mathmatique
En probabilit
En rseau

H. Badis. 2010/2011

Aperu

Aperu

Le modle est une abstraction mathmatique dun


systme rel
En fonction du degr dabstraction (simplification),
on obtient un modle plus ou moins fidele
La prise en compte de tous les paramtres influant
sur un systme rel, conduit un model trs fidele
mais compltement inexploitable (des annes de
calcul)
Assez fidele est mieux que trs fidele ou peu fidele

H. Badis. 2010/2011

Aperu

Aperu

Une modlisation peut tre dterministe ou


probabiliste (la chance intervient) en se basant sur
les files dattente, les rseaux de ptri, les
automates stochastiques, etc.
Analyser les performances une fois la
modlisation est termine par des mthodes
analytiques ou simulation
Le but consiste valider et/ou amliorer le
fonctionnement dun rseau

H. Badis. 2010/2011

Aperu

Aperu

Systme
Modlisation par des : files dattentes, etc
Validation ou modification

Modle
Analyse analytiquement ou par simulation

Performance

H. Badis. 2010/2011

Dfinitions
de base de base
Dfinitions
Le dbit : Le nombre de bits transmis par unit de temps
Le dlai de bout en bout : cest le temps coul entre
lenvoi dun paquet par un metteur et sa rception par
le destinataire
Le taux de paquets dlivrs ou PDR (Packet Delivery
Ratio) : c'est le rapport entre le nombre de paquets de
donnes reus par les destinations et le nombre de
donnes mis par les sources
La gigue : cest la diffrence du dlai de deux paquets
successivement reus appartenant au mme flux de
donnes
H. Badis. 2010/2011

Les rgles de composition des


mtriques
f (v1 , v2 )

f (vo , v1)
V0

V1

V2

 Une mtrique f est additive si


f ( p) =

Vk

i =1

f ( v i 1 , v i )

 Une mtrique f est multiplicative si


f ( p) =

i =1

f ( v i 1 , v i )

 Une mtrique f est concave si

f ( p) = min{ f (vi 1 , vi ), i = 1,..., k}

H. Badis. 2010/2011

Introduction
au filesfiles
d'attente
Le formalisme
dattente
On utilise les files d'attentes pour modliser des phnomnes de
partage de ressources :
Un client faisant demande dune ressource devra attendre que celle-ci
soit disponible
Des linstant ou la ressource sera disponible, le client entre en service
A la fin de son service, le client libre la ressource
La ressource devient alors disponible pour dautres client

H. Badis. 2010/2011

Introduction
au filesfiles
d'attente
Le formalisme
dattente
Exemples de phnomnes :

Caisses d'un supermarch


Guichet de vente de billets
Salle d'attente d'un hpital
Un nud dans un rseau (Terminal, Routeur, Swich, etc.)

File d'attente

H. Badis. 2010/2011

Serveur

Paramtre de description dune file


dattente
On caractrise une file d'attente par :
la fonction de densit de probabilit (fdp) du temps
sparant les arrives
la fdp du temps de service
le nombre de serveur
la capacit de la file
le type de file ou ordonnancement (FIFO, plus haute
priorit, plus bas temps de service,)
H. Badis. 2010/2011

10

Notation de Kendall
On utilise A/B/s/K pour spcifier les 4 premiers critres:
A reprsente le modle d'arrive des clients
B reprsente le modle de service des clients
s reprsente le nombre de serveurs
K indique la capacit de la file dattente (+ si il ny a pas
de prcisions)
Les paramtres A et B viennent de l'ensemble:
M (de Markov) indique distribution exponentielle ou
Poisson
D (de dterministe) indique distribution uniforme
Les clients arrive intervalles rguliers
Les clients sont servis intervalles rguliers
G (de gnral) signifie une distribution arbitraire
H. Badis. 2010/2011

11

Revue des fdp


La loi uniforme est une loi de probabilit trs simple
puisque cest celle du pur hasard
Il en existe deux versions, une discrte et une continue
Uniforme discrte : cest la loi de lquiprobabilit. Sil
existe n ventualits (par exemple 6 dans le cas du jet de
d), la probabilit dun vnement est de 1 / n.
Uniforme continue : la fdp est continue car il y infinit de
possibilits

H. Badis. 2010/2011

12

Revue des fdp


La fdp dune uniforme continue est:

H. Badis. 2010/2011

13

Revue des fdp


La fonction de rpartition est donne par :

Lesprance = a+b/2, variance = (b-a)2/12

H. Badis. 2010/2011

14

Revue des fdp


La fdp normale/Gaussienne de type continue
Supposons que nous tirions des chantillons alatoires
d'une population dont la taille moyenne est de 170 cm,
avec un cart type de 10 cm.
Examinons l'aspect de ces histogrammes.

H. Badis. 2010/2011

15

Fdp Poisson
Le domaine d'application de la loi de Poisson a t
longtemps limit celui des vnements rares comme les
suicides d'enfants, les arrives de bateaux dans un port, etc.
Mais depuis quelques dcennies son champ d'application
s'est considrablement largi. Actuellement, on l'utilise
beaucoup dans les tlcommunications (pour compter le
nombre de communications dans un intervalle de temps
donn)
Il s'agit d'une distribution discrte (et non continue) car la
variable alatoire est discrte
Les arrives doivent tre indpendantes entre les intervalles
H. Badis. 2010/2011

16

Fdp Poisson
P (k ) = e

( T )k
k!

, k = 0 ,1, 2 ,3, K

dsigne le nombre moyen d'vnements par unit de


temps
K est le nombre d'vnements pendant la priode de dure

T
P(k) est la probabilit d'obtenir k vnements pendant un
temps T
P(k)

H. Badis. 2010/2011

17

Fdp Exponentielle
Soit Y une variable alatoire qui suit une loi de Poisson,
traduit par le nombre d'apparitions d'un certain phnomne
alatoire dans un intervalle de temps
La variable alatoire 1/Y reprsente l'intervalle de temps
sparant deux apparitions d'un vnement
Cette nouvelle variable suit une loi exponentielle

H. Badis. 2010/2011

18

La file dattente de type M/M/1


 De par son nom:
les arrives suivent une distribution exponentielles (ou
de Poisson)
moyenne de par seconde
les temps de services sont talements exponentiels
moyenne de par seconde
il n'y a qu'un seul serveur

Serveur

Taux darrive moyen


clients/sec

H. Badis. 2010/2011

Taux de service moyen


clients/sec

19

La file dattente de type M/M/1

k+1

On peut reprsenter la M/M/1 l'aide d'une chane de


Markov
nuds sont les tats possibles (nombre de clients dans le
systme), les arcs sont les probabilits de transition entre tats
(taux d'arrive / service )

Prsumons le tampon infini


Soit pk la probabilit que le systme soit en quilibre
l'tat k, on sait que les transitions ne peuvent arriv
qu'entre tats voisins
le nombre de transition par seconde de k k+1 (gale pk) doit
tre gale au nombre de transitions de k+1 k (qui est pk+1)
H. Badis. 2010/2011

20

Equilibre dans M/M/1


p 0 = p1

Pour quilibre l'tat 0, il faut que


ce qui entre soit gale ce qui sort

Similairement un quilibre k=1

p 1 = p 0

( + ) p1 = p 0 + p 2
p2 =

( + ) p1 p 0

= p 1 +

p 1

= p 0 +

p 0

p 1

p 0

= p 1

En forme gnrale
H. Badis. 2010/2011

p n = p 0

21

Intensit du trafic
On remarque que la probabilit de n'importe quel
tat dpend uniquement de , et p0
on n'a qu'a calculer p0 pour trouver une solution
Dfinissons l'intensit du trafic (Traffic Intensity)
(rho) par:

H. Badis. 2010/2011

22

P0 dans la M/M/1
Par dfinition, la somme des
probabilits doit gale 1

1=

p
k =0

p0
k =0

= p 0 ( 0 + 1 + 2 + K)
1
= p0
,
1

0 <1

p0 = 1 , 0 < 1
gnralement

H. Badis. 2010/2011

pn = n (1 ) , 0 <1
23

Exemple
Le taux darrive moyen au guichet automatique du CMR
est de 2 tudiants/min. Le temps dutilisation du guichet
est distribu de faon exponentielle avec une moyenne de
temps de 20 sec/tudiants. Combien de temps une
tudiante doit-elle attendre dans la file avant dutiliser le
guichet ?
Rponse: 40 sec

H. Badis. 2010/2011

24

Paramtres de performances
Dbit X
Le service seffectue avec un taux dans chaque tat o le systme
contient au moins un client

X = Proba {file non vide } = p ( n ) =[1 p (0) ] = =


n =1

Taux dutilisation du serveur


Le taux dutilisation est la proabilit pour que le serveur de la file
soit occup :

U = p ( n ) =[1 p (0)] = =
n =1

H. Badis. 2010/2011

25

Paramtres de performances
Nombre moyen de clients Q

Q = np ( n ) =(1 ) n = (1 ) n n 1 =
n

n =1

n =1

n =1

(1 )

=
(1 ) 2 1

Temps moyen de sjour R


Q
1
1
R=
=
=
X (1 )

H. Badis. 2010/2011

26

La file M/M/1/K
K est la capacit de la file, soit en attente, soit en service
Quand un client arrive alors quil y a dj K clients prsents
dans le systme, il est perdu.
La file est stable sans conditions

H. Badis. 2010/2011

27

La probabilit stationnaire
Mme mthode de calcul dans le cas dune file M/M/1
p ( n ) = n p ( 0)

pour n = 0,..., K

Il reste calculer p(0) :


k

En partant de l' quation suivante p ( n ) = 1 On obtient :


n =0

p (0) =

1
1 k +1

n =0

1
n
pour n = 0,..., K

k +1
1
Lorsque K tends vers l' infini, on trouve le rsultat de la fille M/M/1

On obtient finalement : p ( n) =

H. Badis. 2010/2011

28

Paramtres de performances
Dbit X
Le service seffectue avec un taux dans chaque tat o le systme
contient au moins un client

K +1
X = Proba {file non vide } = p ( n ) =[1 p (0) ] =

K +1
1
n =1
K

Taux dutilisation du serveur


Le taux dutilisation est la proabilit pour que le serveur de la file
soit occup :

1 K
U = p ( n ) =[1 p (0) ] =
1 K +1
n =1

H. Badis. 2010/2011

29

Paramtres de performances
Nombre moyen de clients Q
1 ( K + 1) k + k K +1
Q = np ( n ) =
1
1 K +1
n =1

Temps moyen de sjour R

R=

H. Badis. 2010/2011

Q
= ...
X

30

La file M/M/C
M/M/C = M/M/1 + C serveurs identiques et indpendants
Temps de service exponentiel de taux pour chacun des
serveurs

H. Badis. 2010/2011

31

La file M/M/C
Le taux de transition dun tat n un tat n+1 correspond
larriv dun client, soit donc
Le taux de transition dun tat n+1 un tat n correspond
au dpart de lensemble des clients dans les serveurs, soit
donc C si nC ou n si n<C .
La file est stable lorsque <C

H. Badis. 2010/2011

32

La probabilit stationnaire
Mme mthode de calcul dans le cas dune file M/M/1
p (n) =
p (n) =

n
n!

pour n = 1,..., C 1

p ( 0)

n
C !C

n C

p ( 0)

pour n = C , C + 1,...

Il reste calculer p(0) :

Sachant que le dveloppem ent limit de x n =


n =0

p (0) =

1
1 x

1
C 1

n! (C 1)!(C )
Lorsque C = 1, on trouve bien les rsultats de la file M/M/1
n =0

H. Badis. 2010/2011

33

Paramtres de performances
Dbit X
C 1

n =1

n =C

X = p ( n ) n + p ( n )C
=

Nombre moyen de clients Q


Q=

C +1
(C 1)!(C )

p ( 0) +

Temps moyen de sjour R


R=
H. Badis. 2010/2011

C
(C 1)!(C ) 2

p ( 0) +

34

La file M/M/

Ds quun client arrive, il rentre donc instantanment en


service.

H. Badis. 2010/2011

35

La probabilit stationnaire
Mme mthode de calcul dans le cas dune file M/M/1
p (n) =

n
n!

p ( 0)

pour n = 1,...,

Il reste calculer p(0) :


p ( 0) =

H. Badis. 2010/2011

n =0

n!

= e

36

Paramtres de performances
Dbit X

X = p (n)n =e

=e e =

(n 1)!
On trouve la stabilit inconditionnelle de la file
n =1

n =1

Nombre moyen de clients Q

Q = np ( n ) =
n =1

Temps moyen de sjour R


R=
H. Badis. 2010/2011

Q 1
=
X

37

Exercice : Gnralisation
Lobjectif est de gnraliser tous les rsultats prcdents en
considrant que :
Les interarrives sont des variables alatoires sans mmoire
Les services sont des variables alatoires sans mmoire
Le taux dinterarrives et services dpend du nombre de clients
prsents dans la file

(n)

(n)

Prsenter la chaine de markov


Quelle est la condition de stabilit
Calculer la probabilit stationnaire
Calculer les paramtres de performances

H. Badis. 2010/2011

38

Les rseaux de files dattente


Un ensemble de files simples (stations) interconnectes. Soit
M le nombre de stations du rseau
Il existe 4 types de rseaux :

Les rseaux ouverts


Les rseaux ferms
Les rseaux multiclasses
Les rseaux capacit limite

H. Badis. 2010/2011

39

Les rseaux ouverts


Les clients arrivent de lextrieur, circulent dans le rseau,
puis quittent le rseau
Le nombre de clients nest pas limit
Pour spcifier un rseau ouvert, il faut dterminer :
Le type de chaque station
Le processus darriver des clients
Le routage dans le rseau

P31

P13

P01
2
P02

H. Badis. 2010/2011

P12

P23

P40

P34

P20
40

Les rseaux ouverts


Le processus darrive
Soit P0i la probabilit pour quun client qui arrive, se rend la
station i. On a donc :
M

P
i =1

0i

=1

Si les arrives dans le systme sont poissoniennes de taux . Le


processus darrive des clients la station i est possonien de taux
P0 i

H. Badis. 2010/2011

41

Les rseaux ouverts


Le routage des clients
Soit Pij la probabilit pour quun client quitte la station i se rend la
station j et soit Pi0 la probabilit pour quun client quitte la station i
et quitte le systme.

P
j =0

H. Badis. 2010/2011

ij

=1

42

Les rseaux ferms


Les clients sont en nombre constant
Soit N le nombre total de clients du systme. Il ny a donc
pas darrive ni de dpart de clients
Pour spcifier un rseau ferm, il faut dterminer :
Le type de chaque station
Le routage dans le rseau

P31

P13

P41
P42

P21
P22
H. Badis. 2010/2011

P12

P23

P34

Les rseaux ferms


Le routage des clients
Soit Pij la probabilit pour quun client quitte la station i se rend la
station j
M

P
i =1

H. Badis. 2010/2011

ij

=1

44

Les rseaux multiclasses


Les rseaux de files dattentes peuvent tre parcourus par
diffrentes classe de clients. Soit R le nombre de classes.
Pour spcifier un rseau multiclasse, il faut dterminer :
Le type de chaque station
Le processus darriver des clients (si le rseau est ouvert)
Le routage dans le rseau

P231

P213

P101
P102

2 P
202
H. Badis. 2010/2011

P112

P113
P223

P140

P240

P134

P120
45

Les rseaux multiclasses


Un rseau multiclasse peut tre ferm pour certaines classes
et ouvert pour dautres. On parle alors dun rseau mixte

P231

P213

P101
P102

P112

P113
P223

P140

P134

P120
H. Badis. 2010/2011

P242

46

Les rseaux capacit limite


Chaque station a une capacit limit
Lorsquune est pleine, plus aucun client ne peut y rentrer.
Des pertes peuvent tre apparaitre lentre de chaque
station pleine.
Les rseaux monoclasse (ouvert/ferm) et multiclasse
peuvent etre des rseaux capacit limite
P31

P13

P41
P42

P21
P22

P12

P34

P23

Perte
H. Badis. 2010/2011

47

Etude de rseaux de Jackson ouverts


Des rseaux ouverts o chaque station est une file M/M/1

Une seule classe de clients


Le processus darrive des clients est poissonien
Un seul serveur chaque station
Un temps de service exponentiel chaque station
Une capacit illimite
Une discipline de service FIFO pour toutes les files
Des routages probabilistes

P31
P13

P01
2
P02

H. Badis. 2010/2011

P12

P23

4 P40

P34

P20
48

Etude de rseaux de Jackson ouverts


Stabilit
Soit ei le taux de visite de la station i ou nombre moyen de passage
la station i
Chaque client induit une charge moyenne de travail la station i :

chaque passage

Au total (en moyenne)

ei

Pour la file M/M/1, le stabilit est conditionne par

En appliquant le raisonnement chacune des file, on obtient


1 ei
f
pour i = 1,..., M

En posant i=ei le taux darrive des clients la station i


H. Badis. 2010/2011

Condition de stabilit du systme : i < i

pour i = 1,..., M

49

Etude de rseaux de Jackson ouverts


Calcul des taux de visite

On suppose que le rseaux est stable i < i pour i = 1,..., M


Le trafic i dentre se dcompose en plusieurs parties :

P0 i

Le trafic venant de lextrieure

j Pji

Le trafic venant de la station j :

j = 1, ..., M

On a donc

i = P0 i + j Pji
j =1

Comme i=ei on obtient le taux de visite


M

ei = P0 i + e j Pji
j =1

H. Badis. 2010/2011

50

Etude de rseaux de Jackson ouverts


Exemple
On considre le rseau ouvert suivant

1
?

1
2

2
?

1
2 4

1
5
4
5

Calculer les i, ei, puis vrifier les conditions de stabilit

H. Badis. 2010/2011

51

La chaine du Markov
P31

1
P01

P30

P13

P23

P02

P40

P24

(0,0,0,0)

P02

P01

(0,1,0,0)

(1,0,0,0)

P01

P02
(1,1,0,0)
M

( 2,0,0,0)
M

3 P31
H. Badis. 2010/2011

P01

2 P24

2 P23

(0,0,0,1)

(0,0,1,0)

P01

(1,0,1,0)
M

P02

(0,1,1,0)
M

P02
(0,2,0,0)
M
3 P30
52

Etude de rseaux de Jackson ouverts


La probabilit stationnaire
Partant dun tat (n1, n2, n3, n4), cinq vnements peuvent avoir
lieu : soit la fin du service dun des client en service chacun des
quatre stations, soit larrive dun nouveau client dans le systme
Les vnements qui nous permettent de changer cet tat doivent
galiser les vnements qui nous mnent cet tat
Exemple : considrons ltat (0, 1, 0, 0)
(o,1,0,0) donne naissance aux tats : (1,1,0,0), (0,0,1,0), (0,0,0,1), (0,2,0,0)
P(0,1,0,0) [ +2P23 + 2P24]
(0,1,0,0) tat est obtenu partir de ltat (0,0,0,0)
P(0,0,0,0) P02
H. Badis. 2010/2011

53

Etude de rseaux de Jackson ouverts


La probabilit stationnaire
De faon plus gnrale, on peut crire les quations dquilibre du
rseau, galisant les flux sortant dun certain tat n aux flux rentrant
dans ce mme tat :

M
M M
M M
M

P ( n ) + i Pij = P ( n ei ) P0 i + P ( n ei + e j ) j Pji + P ( n + e j ) j Pj 0
i =1 j = 0
i =1
i =1 j =1
j =1

n
>
0
ni > 0
ni > 0
i

i 1 i i +1

ei = (0,..., 0 ,1, 0 ,...., 0 )


Ce systme fort est compliqu, possde une solution simple connue
sous le nom de thorme de Jackson

H. Badis. 2010/2011

54

Etude de rseaux de Jackson ouverts


La probabilit stationnaire
Proprit : La probabilit stationnaire du rseau possde la forme
suivante
M

P(n) = Pi (ni )
i =1

o Pi (ni ) est la probabilit stationnaire d' une fille M/M/1 ayant un taux
d' arriv i et un taux de service i .
Soit Pi (ni ) = (1 i ) i

H. Badis. 2010/2011

ni

i
o i =
i

55

Etude de rseaux de Jackson ouverts


La probabilit stationnaire
Dmonstration de la Proprit

M M

P ( n ) + i Pij =
i =1 j = 0

ni > 0
M

+ i Pij =
i =1 j = 0
ni > 0

+ i Pij =
i =1 j = 0
ni > 0

+ i Pij =
i =1 j = 0
ni > 0
H. Badis. 2010/2011

i =1

P (n e ) P
i =1

P ( n ei )
P (n)

i =1
ni > 0

0i

i = 1 j =1

P0 i +

i = 1 j =1
ni > 0

M M
i
P0 i +
ei
i =1 j =1

i =1
ni > 0

j
i

ej
ei

ni > 0

i =1 j =1

P0 i +

+ P ( n e i + e j ) j P ji + P ( n + e j ) j P j 0

ni > 0

ni > 0

P ( n ei + ej )
P (n)

j =1

ni > 0

j P ji +

ni > 0

j =1

P (n+e j )
P (n)

j Pj 0

j P ji + j j P j 0
j =1

i P ji + e j P j 0
j =1

56

Etude de rseaux de Jackson ouverts


La probabilit stationnaire
Dmonstration de la Proprit
On va vrifier que cette quation s' galise en deux parties.
Tout d' abord on a :
M

= e j Pj 0
j =1

j Pj 0 est le dbit moyen des clients qui quittent le systme par la station j
M

l' quation = Pj 0 est bien vrifie


j =1

L' autre partie est vrifi e en utilisant l' quation de balance locale

H. Badis. 2010/2011

57

Etude de rseaux de Jackson ouverts


La probabilit stationnaire
Pour rsumer : Un rseau de Jackson est donc
quivalent un ensemble de files M/M/1 et la
probabilit stationnaire P(n) du rseau est gale
au produit des probabilit marginales pi(ni) de
chacune des files tudies en isolation

Exercice : En utilisant lexemple prcdent, calculer la probabilit


P(2,2,1,2)

H. Badis. 2010/2011

58

Paramtres de performances
Dbit X

X =
Nombre moyen de clients Q
M

Q = Qi
i =1

Temps moyen de sjour R


R=
H. Badis. 2010/2011

Q 1
=
X
59

Extension au cas dun rseau de


Jackson ouvert multiserveurs
Condition de stabilit ?
La probabilit stationnaire ?

H. Badis. 2010/2011

60

Exercice:rseaux de Jackson ouvert


1

3K

2 K

1
2
1
3

1
6

Calculer les taux de visites ainsi darrive des stations de ce rseau


Dterminer la condition de stabilit du rseau
Pout un et un donn quelle valeur doit prendre K afin que le taux dutilisation de
la station 2 soit identique aux taux dutilisation de la station 4
Pour un et un donn et en supposant que le systme est stable, quelles valeurs
peut prendre k afin que le nombre moyen de clients dans la station 1 soit inferieur
10
Lorsque le systme est stable, peut-on trouver une valeur K pour laquelle le dbit de la
station 4 soit le double de la station 3? Si oui, donner cette valeur
61
H. Badis. 2010/2011

Exercice: rseaux de Jackson ouvert


e1 = 5/3, e2 = 1/3, e3 = 1, e4 = 3
< min(K/6, /3)
K = 1/3
Tout K
Non

H. Badis. 2010/2011

62

Etude de rseaux de Jackson ferms


Dans un tel rseau, les clients (N) initialement dans le
systme y circulent sans jamais en sortir et sans aucun client
de lextrieur y rentre :

Une seule classe de clients


Un seul serveur chaque station
Un temps de service exponentiel chaque station
Une capacit illimite
Une discipline de service FIFO pour toutes les files
Des routages probabilistes
1

P31
P32

P13

P23
P24

H. Badis. 2010/2011

P42

63

Etude de rseaux de Jackson ferms


Stabilit
Il ny a aucun problme de stabilit puisque le nombre de client
chaque station est limit la population du rseau et ne peut pas
donc croitre linfini

H. Badis. 2010/2011

64

Etude de rseaux de Jackson ferms


Calcul des taux de visite
Le trafic i dentre est exactement :
Le trafic venant de la station j :

j Pji

j = 1, ..., M

On a donc

i = j Pji
j =1

Comme i=ei on obtient le taux de visite


M

ei = e j Pji
j =1

H. Badis. 2010/2011

65

Etude de rseaux de Jackson ferms


Exemple

1
2

Calculer les ei
H. Badis. 2010/2011

66

La chaine du Markov
1

P31
P32

P13

P23
P24
P42

( 4,0,0,1)
4

( 4,1,0,0)

(3,0,1,1)
3 P31

2 P24
1 P13

2 P23

( 4,0,1,0)
(3,1,1,0)
( 2,0,2,1)
( 4,0,0,1)
M
M
M
M
Le nombre dtats correspond au nombre de faons
( N + M 1)!
de rpartir les N clients dans les M stations : C NM+M1 1 =
N !( M 1)! 67
H. Badis. 2010/2011

Etude de rseaux de Jackson ferm


La probabilit stationnaire
De faon plus gnrale, on peut crire les quations dquilibre du
rseau, galisant les flux sortant dun certain tat n aux flux rentrant
dans ce mme tat :

M M
M M

P ( n ) i Pij = P ( n ei + e j ) j Pji
i =1 jn=i1> 0
i =1 j =1
ni > 0
1

i 1 i i +1

ei = (0,..., 0 ,1, 0 ,...., 0 )

Ce systme fort est compliqu, possde une solution simple

H. Badis. 2010/2011

68

Etude de rseaux de Jackson ferm


La probabilit stationnaire
Proprit : La probabilit stationnaire du rseau possde la forme
suivante
M
1
P ( n) =
f i (ni )

G ( M , N ) i =1
ni

ei
o f i (ni ) =
i
et G(M, N) est une constante de normalisation
La probabilit stationnaire davoir K clients dans le station i est
donne par :
K

ei Gi(M-1,N-K)
Pi ( K ) =
i G(M , N )
H. Badis. 2010/2011

69

Etude de rseaux de Jackson ferms


La probabilit stationnaire
Dmonstration de la Proprit
M M

P ( n ) i Pij =
i =1 jn=i1> 0

P
i =1 j = 1
ni > 0
M

ij

i Pij =
j =1

P (n e
i =1 j = 1

i =1 j =1

j =1

i =

j =1

H. Badis. 2010/2011

j P ji

j P ji i =

e1 1 e i
1

...
G ( M , N ) 1
i
n

j =1

ni > 0

+ e j ) j P ji

ni > 0

P ( n ei + ej )
P (n)

P ( n ei + ej )
P (n)

e1 1 e i
1

...
G ( M , N ) 1
i

ni 1

ej

...
j

n
i e j
...
j

n j +1

nj

j =1

e
... M
M

e
... M
M

ij

P ( n ei + ej )
P (n)

j =1

P ( n ei + ej )
P(n)

j P ji

nM

nM

j P ji

j P ji i =

ej

ei
j =1
i
M

j P ji e i =

e
j =1

70

P ji

Etude de rseaux de Jackson ferm


La constante de normalisation
En utilisant lalgorithme de Buzen, on peut exprimer la constante
G(M,N) sous la forme

G ( M , N ) = G ( M 1, N ) + M G ( M , N 1)

eM
=
M

G (1, N ) = 1
G ( M ,0 ) = 1

H. Badis. 2010/2011

n = 0,..., N
M = 1,..., M

71

Etude de rseaux de Jackson ferm


La constante de normalisation
En utilisant lalgorithme de Buzen, on peut exprimer la constante
G(M,N) sous la forme

G ( M , N ) = G ( M 1, N ) + M G ( M , N 1)

eM
=
M

G (1, N ) = 1
G ( M ,0 ) = 1

H. Badis. 2010/2011

n = 0,..., N
M = 1,..., M

72

Paramtres de performances
Le taux dutilisation Ui dune station i :

ei G ( M , N 1)
U i = 1 Pi (0) =
i G(M , N )
Le dbit Xi dune station i

G ( M , N 1)
X i = (1 Pi (0)) i = ei
G(M , N )

Nombre moyen de clients Qi dune station i


K
N
N
ei
1

Qi = KPi (k ) =
K Gi (M 1, N K )

G(M , N ) k =1 i
k =1
Temps moyen de sjour Ri dans la station i
R=
H. Badis. 2010/2011

Qi
Xi

73

Etude de rseaux de Jackson ferms


Exemple
2

1
2

1
2

1
2

1
2

1
3

2
3

1=1/t, 2=1/2s, 3=3/4s, 4 = 1/2t, o t et s sont deux rels positifs.


- Calculer les taux de visite des diffrentes stations (on suppose que e1 =1)
- Donner lexpression des probabilits stationnaires et exprimer la constante
de normalisation sous forme dune simple sommation
74

H. Badis. 2010/2011

Etude de rseaux multiclasses


Un rseau multiclasse peut tre ferm pour certaines classes
et ouvert pour dautres. On parle alors dun rseau mixte
Les clients ne changent pas de classe
Un seul serveur chaque classe
Une capacit de stockage illimit toutes les stations
Routage probabiliste

11
12
P13 2

P01 1
P02 1

H. Badis. 2010/2011

P31 2

P12 1

21
22

P13 1
P23 2

31
32 P34 1

41 P

40 1

42

P20 1
P42 2

75

Etude de rseaux multiclasses


On note M le nombre de stations du rseau
R : le nombre de classes qui le parcourent
O : lensemble des classes ouvertes
F : lensemble des classes fermes

OIF=

et O U F = {1,..., R }

Le processus darrive des clients dune classe r dans O est


poissonien de taux r
P0i r la probabilit quun client de classe r qui arrive dans le
systme se rend a la station i
Pij r la probabilit quun client de classe r qui termine son
service la station i se rend a la station j
Pi0 r la probabilit quun client de classe r qui termine son
service la station i quitte le systme
H. Badis. 2010/2011

76

Etude de rseaux multiclasses


M

P
j =0

ij r

= 1 i = 0,..., M

P00 r = 0

P0 j rF = 0

Pi 0 rF = 0

H. Badis. 2010/2011

77

Etude de rseaux multiclasses


Stabilit
Soit eir le taux de visite ders clients de classe r la station i ou
nombre moyen de passage dun client de classe r la station i

La nation de stabilit dans un rseau de files dattente


multiclasse est moins intuitive que celle dun rseau
monoclasse. On va donc sintresser dans un premier
temps des rseaux multiclasses purement ouvert ou
purement ferms

H. Badis. 2010/2011

78

Etude de rseaux multiclasses


Stabilit : cas rseau purement ouverts
Le taux moyen darrive des clients de classe r (dans O) une
station est : ir = r eir
Donc, le taux moyen darrive des clients, toutes classes confondues,
R
la station i est =
r O = {1,..., R}
i

ir

r =1

Pour une station FIFO, la loi de service doit tre exponentielle et


indpendante de la classe du client en service : = =
ir

Condition de stabilit du systme : i < i


R

On peut crire aussi :


r =1

H. Badis. 2010/2011

is

pour i = 1,..., M

ir
<1
ir
79

Etude de rseaux multiclasses


Stabilit : cas rseaux purement ferms
Soit Nr le nombre total de clients de classe r dans le rseau
Il ny a bien sur aucun problme de stabilit puisque le nombre de
client de chaque classe chaque station est limit Nr

H. Badis. 2010/2011

80

Etude de rseaux multiclasses


Stabilit : cas rseaux mixtes
Dans un rseau mixte, cest les classes ouvertes qui vont poser un
problme de stabilit
Les classes ouvertes partagent en gnrale les mmes stations que les
clients de classes fermes.
Lorsque le nombre de clients dune station tend vers linfini, ce sont
bien sur les clients des classes ouvertes qui saccumulent cette
station. Le nombre des clients des classes fermes dans cette station
reste ngligeable par rapport linfini

ir
< 1 i = 1,..., M
rO ir

Condition de stabilit du systme mixte :


H. Badis. 2010/2011

81

Etude de rseaux multiclasses


La probabilit stationnaire
Proprit : La probabilit stationnaire du rseau possde la forme
suivante
( n ) M
P ( n) =
f i (ni )

G i =1
R

o f i (ni ) = ni
r =1

1 eir

nir ! i

ni

, et

n i est le nombre total de clients la station i : ni = nir


r =1

Kr

si le rseau et purement ouvert


(n) = (r )
rO
1
si le rseau est purement ferm

K r est le nombre total de clients de classe r : K r = nir


r =1

H. Badis. 2010/2011

et G est la constante de normalisation

82