Semaine 1

Télétrafic
YASSINE MALEH, PhD

Professeur de Cybersécurité
ENSA, Khouribga
yassine.maleh@ieee.org
Objectifs du Cours
 Caractériser une file d'attente, sur la base d'hypothèses probabilistes
concernant les arrivées et les temps de service, le nombre de serveurs,
la taille de la mémoire tampon et la discipline de service;
 Décrire les bases des chaînes de Markov à temps discret et à temps

continu
 Modéliser des systèmes de files d'attente simples, par exemple les files
M/M/1 ou M/M/C/C, comme des chaînes de Markov à temps
continu;
 Calculer les indicateurs clés de performance, tels qu'un délai moyen,

un taux d'utilisation des ressources ou une probabilité de perte, dans
des systèmes simples à un ou plusieurs serveurs;
 Concevoir des simulations de files d'attente avec le langage Python

pour analyser comment des systèmes aux ressources limitées les
distribuent entre les clients.
Télétrafic
Introduction
Introduction
Télétrafic: Notions
 Partage des ressources : lignes de communication,
mémoires, ...
 Attribution temporaire : besoins momentanés des usagers

pour une durée limitée
Introduction
mémoires, ...
 Attribution temporaire : besoins momentanés des
usagers pour une durée limitée
 Spéculation statistique : risque d’encombrement lorsque
toutes les ressources disponibles sont occupées
simultanément
Impossibilité de satisfaire les demandes !

Introduction
mémoires, ...
 Attribution temporaire : besoins momentanés des
usagers pour une durée limitée
 Spéculation statistique : risque d’encombrement lorsque
toutes les ressources disponibles sont occupées
simultanément
Impossibilité de satisfaire les demandes !

 TELETRAFIC : évaluation de ce risque,
dimensionnement correct du réseau (compromis entre le
coût et la qualité) !
Introduction
Méthodes :
 Observation : statistique du trafic existant et du
comportement des utilisateurs
 Elaboration de modèles : description des caractéristiques des
sources de trafic et des systèmes
 Etude mathématique des modèles : probabilités,
statistiques, files d’attente
 Simulations : modèles compliqués inaccessibles aux calculs
analytiques
Introduction
Méthodes :
 Observation : statistique du trafic existant et du comportement des
utilisateurs
 Elaboration de modèles : description des caractéristiques des
sources de trafic et des systèmes
 Etude mathématique des modèles : probabilités, statistiques,
files d’attente
 Simulations : modèles compliqués inaccessibles aux calculs
analytiques
Origines du télétrafic (“traffic engineering”)
 Téléphone : commutation téléphonique au début du 20ème siècle
 Trafic téléphonique : caractéristiques bien connues (débit fixe,
signalisation, réservation de ressources)
Introduction
 Réseaux IP, réseau universel
 Navigation Web
 Transfert de fichiers
 Messagerie
 Visioconférences, Skype,...
 Jeux
 Vidéos Internet
 Trafic Internet : caractéristiques très différentes du trafic
téléphonique (normalement : pas de réservation de ressources, pas
de signalisation), beaucoup moins prévisible, complexe.
Nécessité de faire des mesures.
Introduction
Télétrafic: Définitions
Intensité du trafic
Y = c.h
 Y : intensité du trafic écoulé, sans dimension. Exprimé en erlang (E)

(en hommage au mathématicien danois Agner Krarup Erlang, inventeur
du télétrafic).
 c : fréquence moyenne des occupations (en nombre
d’occupation(s)/unité(s) de temps (secondes, heures,...))
 h : durée moyenne des occupations (en unité(s) de temps :
secondes, heures,...)
Introduction
 Remarques
 S’il n’y a qu’une ligne de communication, le taux
d’occupation est au maximum 1 (1 erlang), autrement dit,
Y = c.h ≤ 1 E. Y exprime la probabilité de trouver la ligne
occupée à un instant quelconque.
 S’il y a n lignes de communication, l’intensité du trafic
n
Yn = ∑ i=1 Y i ≤ n E ne peut pas dépasser n erlangs.
 L’intensité du trafic n’indique que le degré d’occupation d’une

ou plusieurs lignes sans s’intéresser à la nature des
occupations (régulier ou pas).
 Le volume de trafic s’exprime en [erlang.heures] et est égal à
Y.∆t en moyenne.
Introduction
 Traffic offert
A = co.h
 A : intensité du trafic offert. Ensemble des sollicitations
(acceptées ou refusées par le système).
 co : fréquence moyenne des occupations
 h : durée moyenne des occupations
 Remarques
 Le trafic offert est un trafic fictif.
Introduction
 Traffic offert
Y = ce.h
 Y : intensité du trafic écoulé. Ensemble des occupations
réelles.
 ce : fréquence moyenne des occupations
 h : durée moyenne des occupations
 Remarques
 Le trafic offert est un trafic réel.
 Comme des sollicitations peuvent être refusées, Y ≤ A.
Introduction
Variations du trafic
 Trafic téléphonique (traditionnel)

 Le trafic varie en fonction du lieu, du moment, des politiques
tarifaires des opérateurs, de circonstances diverses
(catastrophes naturelles, incidents, ...)
 Les variations dans le temps résultent de plusieurs effets :
croissance annuelle, fluctuations saisonnières, cycles
journaliers et hebdomadaires,...
Introduction
 Trafic téléphonique (traditionnel)

 Le trafic varie en fonction du lieu, du moment, des politiques
tarifaires des opérateurs, de circonstances diverses (catastrophes
naturelles, incidents, ...)
 Les variations dans le temps résultent de plusieurs effets :
croissance annuelle, fluctuations saisonnières, cycles journaliers
et hebdomadaires, ...
 Base de calcul pour ce trafic : heure chargée (8 à 10 fois plus
important que la moyenne du trafic journalier).
Introduction
 Trafic téléphonique (traditionnel)
 Le trafic varie en fonction du lieu, du moment, des politiques tarifaires
des opérateurs, de circonstances diverses (catastrophes naturelles,
incidents, ...)
 Les variations dans le temps résultent de plusieurs effets : croissance
annuelle, fluctuations saisonnières, cycles journaliers et
hebdomadaires, ...
 Base de calcul pour ce trafic : heure chargée (8 à 10 fois plus
important que la moyenne du trafic journalier).
 Intensité du trafic pour un abonné pendant l’heure chargée : on
l’évalue à environ 0.05 E/abonné, soit en moyenne 3 minutes
pendant l’heure chargée
Introduction
 Trafic internet (selon

Cisco)
 Estimation 2012 :
 Le trafic IP annuel va dépasser le zettabyte d’ici 2017 (ou 120 exabytes/mois)
 Le trafic IP annuel va dépasser 3.3 zettabyte d’ici 2021
 (ou 278 exabytes/mois).
 Le trafic IP annuel va dépasser 4.8 zettabyte d’ici 2022
 (ou 396 exabytes/mois).
 1 ZettaByte=1000 EB= 1021 Bytes, 1 ExaByte=1000 PB, 1
 PetaByte=1000 TeraByte
Introduction
 L’heure chargée du trafic Internet croit plus vite que le trafic moyen sur
Internet. En 2016 le trafic de l’heure chargée a augmenté de 51% alors que le
trafic Internet moyen a cru de 32%. D’ici 2021 le trafic de l’heure chargée
va être 4.6 fois plus important.
 La moitié du trafic IP Internet a été généré par des appareils qui ne
sont pas des ordinateurs en 2016. En 2012, seulement le 25% du trafic
IP était généré par des appareils autres que des ordinateurs. D’ici 2021,
seulement 25% du trafic sera généré par des ordinateurs.
 Prédictions supplémentaires :
https://www.cisco.com/c/en/us/solutions/collateral/service-provider/ visual-
networking-index-vni/vni-hyperconnectivity-wp.html
Ce chapitre sera consacrée à un
cours de base sur les chaînes
Objectifs du de Markov à temps discret.
Chapitre 1 Nous apprendrons comment
les caractériser et comment
calculer leur distribution en
état stationnaire.
Qu'est-ce qu'une chaîne de Markov à temps discret ?
Processus aléatoire en temps discret

Vocabulaire:
 process: évolue dans le temps
 aléatoire: not perfectly predictable
 Temps-discret: changements possibles par périodes
Process X = (X0, X1, X2, ...)
 état : une valeur possible pour Xn (ex: 1, 2, 3)
Propriété de Markov
Définition (chaîne de Markov)
Le futur est indépendant du passé, compte tenu du présent. Mathématiquement,
Exemple : tirage au sort

“Têtes” = +1
“Queues” = -1
X0 = 10
Représenter une chaîne de Markov à temps discret
Représentation graphique : le diagramme de transition d'état

Ingrédients d'une chaîne de Markov à temps discret : situation initiale
États ⇒ tracer un cercle par État
les probabilités de transition ⇒ étiquette flèche de i à j avec Pij
Diagramme de transition des États : un exemple

Supposons un modèle météorologique simple (une période = une heure) :
 si le temps est actuellement clair : l'heure suivante est claire (prob. 0,7) ou nuageuse (prob.
0,3) ;si le temps est actuellement nuageux : l'heure suivante est nuageuse (prob. 0.5), claire
(prob. 0.3) ou pluvieuse (prob. 0.2) ;
 si le temps est actuellement pluvieux : l'heure suivante est pluvieuse (prob. 0.5), nuageuse
(prob. 0.4) ou claire (prob. 0.1) ;
Représentation graphique : le diagramme de transition d'état

Ingrédients d'une chaîne de Markov à temps discret : situation initiale
États ⇒ les ordonner
les probabilités de transition ⇒ écrire Pij on ième ligne, jième colonne
Comportement transitoire
Evolution du vecteur de probabilité
Evolution du vecteur de probabilité

Évolution du vecteur de probabilité : forme matricielle
Évolution du vecteur de probabilité : exemple

Distribution à l'état stationnaire
Convergence
Distribution à l'état stationnaire
Convergence
Commence par un temps clair (État 1) : Commence par un temps de pluie (État 3) :
Condition nécessaire à la convergence :

De chaque État, nous pouvons atteindre n'importe quel autre État
Steady-state probabilities
Probabilités d'état stationnaire
Probabilités
convergent vers
Interprétation des probabilités de régime

permanent
Une trajectoire (obtenue par simulation)
Probabilité de l’état i ?
Interprétation des probabilités de régime permanent
Une trajectoire (obtenue par simulation)
Chaîne de Markov à temps discret
Calcul de la distribution de l'état stationnaire

Étant donné une chaîne de Markov avec une matrice de transition P,
comment calculer sa distribution en état stationnaire π ?
Une solution numérique simple : il suffit d'appliquer
Mais... quand exactement s'arrêter ?

Une solution exact
Rappeler la relation récursive pour les vecteurs de probabilité

Équations d'équilibre
Décomposez la relation π = πP : pour chaque État i
Ce qui donne
Interprétation de l’équations d'équilibre
Équations d'équilibre pour les groupes d'États

Un autre exemple:
Pour résumer : calculer la distribution de l'état stationnaire π

Plus de détails sur les conditions d'ergodicité
Conditions pour avoir une distribution positive unique de

l'état stationnaire
Conditions nécessaires et suffisantes

Récurrence
Irréductibilité Apériodicité
positive
Qu'est-ce que cela signifie ? De n'importe quel État, il

est possible de se rendre dans n'importe quel État
Comment le vérifier ?
Récurrence
Irréductibilité Apériodicité
positive
Qu'est-ce que cela signifie ? De n'importe quel État, il est possible

de se rendre dans n'importe quel État
Irréductibilité Récurrence
Apériodicité
positive

Apériodicité
positive

Et si elle n'est pas vérifiée ?

Nous perdons la positivité, et peut-être l'unicité, de la
distribution de l'état stationnaire.
Apériodicité
positive
Qu'est-ce que cela signifie ? Il n'existe pas de T ≥ 2 tel que les chemins d'un état à lui-
même ne peuvent prendre que des multiples de T étapes
 Sur le diagramme de transition : trouvez une boucle en k étapes et une en k + 1
étapes pour un k
Conseil pratique 1 : si la chaîne est irréductible, il suffit de le faire pour un
seul État !
 En utilisant la matrice de transition P (en supposant l'irréductibilité) : trouvez k et i
Conseil pratique 2 : si Pii > 0 pour un État, c'est suffisant
Apériodicité
positive
 Sur le diagramme de transition : trouvez une boucle en k étapes et une en
k + 1 étapes pour un k
seul État !
 En utilisant la matrice de transition P (en supposant l'irréductibilité) :
trouvez k et i

Apériodicité
positive
 Sur le diagramme de transition : trouvez une boucle en k étapes et une en
k + 1 étapes pour un k
seul État !
 En utilisant la matrice de transition P (en supposant l'irréductibilité) :
trouvez k et i

Apériodicité
positive
 Sur le diagramme de transition : trouvez une boucle en k étapes et une en k + 1
étapes pour un k
Conseil pratique 1 : si la chaîne est irréductible, il suffit de le faire pour un seul État !
 En utilisant la matrice de transition P (en supposant l'irréductibilité) : trouvez k et i
Et si elle n'est pas vérifiée ?

L'état dans lequel nous en sommes,
dépendra de notre point de départ
Apériodicité
positive
Qu'est-ce que cela signifie ? Le temps de retour prévu dans un État est limité
 Si la chaîne est irréductible avec un nombre fini d'États : elle vient directement
 Si la chaîne est irréductible et apériodique : essayez de calculer la distribution en
régime permanent et vérifiez qu'elle est positive
Apériodicité
positive
Apériodicité
positive
Et si elle n'est pas vérifiée ? (en supposant qu'il soit irréductible)

Certains États sont visités un nombre limité de fois
La chaîne est dite instable

Langue

Semaine 1

Transféré par

Informations du document

Copyright

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Semaine 1

Transféré par

Droits d'auteur :

Télétrafic

YASSINE MALEH, PhD

 Décrire les bases des chaînes de Markov à temps discret et à temps

 Calculer les indicateurs clés de performance, tels qu'un délai moyen,

 Concevoir des simulations de files d'attente avec le langage Python

 Attribution temporaire : besoins momentanés des usagers

Impossibilité de satisfaire les demandes !

Impossibilité de satisfaire les demandes !

 Y : intensité du trafic écoulé, sans dimension. Exprimé en erlang (E)

 L’intensité du trafic n’indique que le degré d’occupation d’une

 Trafic téléphonique (traditionnel)

 Trafic téléphonique (traditionnel)

 Trafic internet (selon

Processus aléatoire en temps discret

Le futur est indépendant du passé, compte tenu du présent. Mathématiquement,

Exemple : tirage au sort

Représentation graphique : le diagramme de transition d'état

Diagramme de transition des États : un exemple

Représentation graphique : le diagramme de transition d'état

Evolution du vecteur de probabilité

Évolution du vecteur de probabilité : exemple

Condition nécessaire à la convergence :

Interprétation des probabilités de régime

Calcul de la distribution de l'état stationnaire

Une solution numérique simple : il suffit d'appliquer

Mais... quand exactement s'arrêter ?

Une solution exact

Rappeler la relation récursive pour les vecteurs de probabilité

Équations d'équilibre pour les groupes d'États

Pour résumer : calculer la distribution de l'état stationnaire π

Conditions pour avoir une distribution positive unique de

Conditions nécessaires et suffisantes

Qu'est-ce que cela signifie ? De n'importe quel État, il

Qu'est-ce que cela signifie ? De n'importe quel État, il est possible

Qu'est-ce que cela signifie ? De n'importe quel État, il est possible

Qu'est-ce que cela signifie ? De n'importe quel État, il est possible

Et si elle n'est pas vérifiée ?

Conseil pratique 2 : si Pii > 0 pour un État, c'est suffisant

Conseil pratique 2 : si Pii > 0 pour un État, c'est suffisant

 En utilisant la matrice de transition P (en supposant l'irréductibilité) : trouvez k et i

Conseil pratique 2 : si Pii > 0 pour un État, c'est suffisant

Et si elle n'est pas vérifiée ?

Et si elle n'est pas vérifiée ? (en supposant qu'il soit irréductible)

Centres d'intérêt liés

Vous aimerez peut-être aussi