Vous êtes sur la page 1sur 108

Files d’Attente pour les réseaux

Copie des transparents du cours

Houda KHEDHER

Année :2019 / 2020


Objectifs du cours
• Savoir analyser la « performance » des réseaux
• Pourquoi les files d’attente ?
Parce que les ressources sont partagées
• Applications : dimensionnement, contrôle (admission,
routage, ordonnancement, congestion, etc.), mesure
(comportement client, pannes, anomalies)
• In fine, réduction des coûts et maîtrise de la QoS

2
Plan du cours

1. Introduction à la modélisation et l’évaluation des


performances

2. Les chaînes de Markov à temps discret & continu

3. Les files d’attente

4. Performances des files d’attente et présentation


de quelques files simples
3
Files d’attente pour les réseaux

Chapitre 1 : Introduction à la modélisation et


l’évaluation des performances
Problématique
• Attendre un service fait partie de la vie quotidienne
– L’attente de clients devant une caisse de supermarché
– L’attente de l’autorisation d’atterrissage pour des avions en vol
– …
• Dans les domaines de l’informatique et des télécommunications :
– L’attente des requêtes à une base de données
– L’attente des tâches pour l’accès à l’unité centrale d’un ordinateur
– L’attente des paquets dans un nœud à commutation de paquets
– L’attente des trames pour l’accès au médium de transmission dans un
réseau local
• Les Télécommunications font usage de théories et de méthodes issues du calcul
des Probabilités, et connues sous le nom de Théorie des Files d'Attentes.
 La modélisation
Introduction à la modélisation
• Modélisation
– Évaluation des performances d’un système
– Phase fondamentale du cycle de vie d’un système

Conception

(1) Pour connaître les performances


Modélisation
(2) En faire une analyse

Déploiement
Éviter le sur/sous dimensionnement, p.ex
6
Évaluation à événements discrets
On s’intéresse à une classe particulière de systèmes que
l’on nomme « les systèmes à événements discrets »
 C’est quoi ?
 Pourquoi évaluer un système ?
 Comment évaluer ses performances ?
 Comment modéliser un système ?
 Comment analyser les résultats d’une évaluation de
performances ?

7
Systèmes à événements discrets…
… mais à temps continu !
• Systèmes décrits par des variables d’états discrètes, i.e.
les changements d’état se produisent sous occurrence
d’un ensemble d’événements
 Il serait plus approprié de parler de systèmes à
changements d’états discrets
• Les événements peuvent avoir lieu à n’importe quel
instant, mais les changements induits sont immédiats et
quantifiés (discrets)
• Exemple : guichet de train
8
Exemple : Guichet de train
• Exemple très simple de système à événements discrets
• L’état de ce système est décrit par une variable entière
comptabilisant le nombre de clients dans la file d’attente à un
instant donné
• Il peut en effet y avoir 5 ou 8 clients en attente mais sûrement
pas 2,58 !!!
• Les événements entrainant des changements de cette variable
sont :
– L’arrivée d’un client (qui augmente de 1 la taille de la file)
– La fin de traitement du client en service (qui la diminue de 1)
• Ces événements peuvent avoir lieu à n’importe quel instant,
mais les changements induits sont immédiats et quantifiés
(discrets) !!! 9
Exemples de systèmes à événements
discrets
Variables d’état Événements associés
Systèmes informatiques -Le nombre de processus en cours de -Début ou fin du traitement d’un
traitement sur l’unité centrale processus par l’unité centrale
-L’état de ces processus (en attente, -Demande d’écriture ou fin d’écriture
prêt ou actif) sur l’unité de stockage
-Le nombre de requêtes pour un accès -Demande d’accès à une ressource ou
en écriture sur l’unité de stockage libération de cette ressource
-L’état des ressources partagées

Système de production -Le nombre de pièces en attente dans -Début ou fin de traitement d’une
les différents stocks ou en traitement pièce sur une machine
sur les différentes machines -Demande ou libération d’une
-L’état des différentes ressources ressource
(libre ou occupée) -Début d’une panne ou fin de
-L’état des différentes machines (en réparation d’une machine
fonctionnement ou en panne)

Réseau de communication - Le nombre de messages ou de - Début ou fin d’émission ou de


paquets, en attente ou en émission aux réception d’un message par un noeud
différents nœuds du réseau

10
Qu’est ce que l’évaluation de
performances?
 Calcul des paramètres de performances d’un système d’après sa
spécification
 attention, type et ordre de grandeurs non comparables !
 On s’intéresse surtout au :
 Débit
 Temps de réponse
 Nombre de clients dans le système
 Taux d’utilisation

On calcule assez facilement les valeurs moyennes


 Intérêt statistique mais pas forcément suffisant
 Caractérisation plus précise  moments d’ordre supérieur des variables
aléatoires associées
11
Exemple : Temps de Réponse
Délai d’acheminement de bout-en-bout
=
Temps séparant l’émission de la réception d’un message

A
 Fonction complexe du :
 Découpage du message en paquets en A
 Temps d’attente/transit au niveau des nœuds
 Temps de transmission sur les liens
B  Temps de réassemblage en B
…
Un petit réseau

12
Temps de réponse
Système A Système B
Temps de réponse du système

Tr = Tpropagation
+ Tqueue
+ Ttraitement

Lorsque le trafic augmente, Tq devient prépondérant par


rapport aux autres éléments, ces derniers pourront alors être
négligés.
Pourquoi évaluer?
• Impossibilité / difficulté d’effectuer des mesures
directes sur un système réel !
Conception (système inexistant)
 Dimensionnement et respect du cahier des charges
 Complexité de l’étude : fonction du système !!!
Exploitation (système existant)
Modification de l’existant : extension et/ou optimisation
Évaluation en dehors du fonctionnement normal
 Analyse des performances actuelles (blocage, insuffisance, sous
dimensionnement)
 Quantification du / des besoin(s)
 Modélisation / évaluation des différents scénarii possibles
14
Comment évalue-t’on?
• Modélisation analytique
• Simulation
Système
• Mesures expérimentales
Modélisation
 Il est important de noter que
Analyse Modèle
l’analyse des performances se des
fait sur le modèle !!! résultats Analyse
 Ce que l’on obtient, ce sont Performances
donc les performances du
modèle et non celles du système
!!! 15
Quel type d’analyse?
 Analyse qualitative : définir les propriétés structurelles et
comportementales du système
 Absence de blocage (vivacité)
 Invariants du système (disponibilité)
 Comportement fini ou borné (stabilité)
 Équité
 …

 Analyse quantitative : calculer les critères de performances


du système
 Rq : n’a de sens qu’à l’issue d’une analyse qualitative !
 2 types de méthodes d’analyse quantitative des performances : la
simulation et les méthodes analytiques

16
Analyse quantitative : méthode analytique
 Formalisme orienté maths
 formalisme mathématique pour créer un modèle traduisant le
comportement et intégrant les paramètres du système réel
 Intérêts ?
 Peu coûteux en temps de calcul
 Précision du résultat
 Meilleure compréhension du système : la rédaction des équations
d’évolution d’un système permet d’analyser et de souligner certains
dysfonctionnements
 Problèmes ?
 La classe des modèles que l’on sait résoudre de façon exacte et assez
petite !
 Pour s’en sortir :
 Hypothèses restrictives
 Approximation des mécanismes
 Bornes sur des mesures ou des variables…
17
Analyse quantitative : La simulation
 Reproduction d’un modèle et de son évolution pas à pas en
étant le plus près possible du cas à étudier
 Quand la théorie s’essouffle !
 Intérêts ?
 Très générale : on peut presque tout faire et donc étudier
n’importe quel modèle !
 Problèmes ?
Lourde et complexe à développer
Mise au point est souvent longue et laborieuse
Très gourmande en ressources et en temps de calcul

 Attention : il est impératif de calculer des Intervalles


de confiance pour juger du degré d’approximation
des résultats
18
Comparaison des techniques d’évaluation

19
Comment modéliser ?
 Étape importante car les performances calculées sont
celles du modèle et pas du système réel !
 Modèle = abstraction du système réel
Suivant le degré d’abstraction : la fidélité est + ou -
forte
M1 Très fidèle
Non exploitable

Système M2 Assez fidèle


Relativement exploitable

M3 Peu fidèle
Très exploitable

Il n’y a pas de bon modèle ! C’est une histoire de compromis entre


adéquation du modèle et du système, et facilité de résolution du modèle 20
Vers un bon modèle ?
Complexité

Fidélité

 Plus l’analyse est complexe et plus on a besoin


d’informations sur le système initial
 Mais : on n’a pas toujours ces infos ni même le
moyen de les avoir
 Simplicité du modèle  analyse aisée mais un peu
lointaine
21
Analysons les résultats…
La configuration étudiée du système répond-elle
aux objectifs (et enjeux) du cahier des charges ?

 OUI ! Et bien c’est fini…


 NON !
 Que faut-il faire pour que ça marche ?
 Comprendre, c’est :
 Faire une analyse des résultats
 Évaluer l’influence des paramètres
 Proposer des modifications Rebouclage
 Construire un nouveau modèle
22
Notion stochastique

 Il s’agit de rajouter une notion probabiliste,


statistique et donc, non déterministe pour
caractériser l’évolution du système

 Cela signifie que nous avons un comportement


qui peut-être défini par f(t), où t représente le
temps

23
Et maintenant ?

 Les chaînes de Markov


 À temps discret
 À temps continu

 Les files d’attente


 Les files simples
 Les réseaux de files d’attente
24
Files d’attente pour les réseaux

Chapitre 2 : Les chaînes de Markov


Processus stochastique ?

Définition : Un processus stochastique X (t )tT


est une fonction du temps dont la valeur à chaque instant dépend de
l’issue d’une expérience aléatoire

 Un processus stochastique est donc une famille de variables


aléatoires (non indépendantes)
 Le temps T peut être discret ou continu
 L’ensemble E des valeurs que peut prendre X(t) est appelé espace d’états
et peut être discret ou continu

26
Rappel des principales lois

27
Ce que l’on va apprendre
 Le formalisme en temps discret : chaîne de
Markov
 Et sa version en temps continu
 Utilisations

 Outils simples de modélisation


 Nécessaires pour la théorie des files d’attente

28
CMTD ou…
Les chaînes de Markov à Temps Discret !
Soit un processus X n n  N E

stochastique 6

à temps discret et espace 5


d’états discret… 4
3
2
E peut être fini ou infini
1
(mais dénombrable)
1 2 3 4 5 N T

Processus stochastique à espace d’états


discrets et temps discret
29
Définition de X 
n nN
 Définition : XnnN est une CMTD ssi :
P[ X n  j / X n 1  in 1 , X n  2  in  2 ,..., X 0  i0 ]  P[ X n  j / X n 1  in 1 ]
La probabilité pour que la chaîne soit dans un certain état à la nième « étape » du processus ne
dépend donc que de l’état du processus à l’étape précédente (la n-1ème étape) et pas des états
dans lesquels il se trouvait aux étapes antérieures.
i.e. C’est un processus sans mémoire !
 Restriction : On ne considère que les CMTD homogènes, telles que les probabilités ne
dépendent pas de n. On peut alors définir la probabilité de transition d’un état i vers un état
j, pij (qui ne dépend donc pas de l’étape n)

pij  P[ X n  j / X n 1  i ]  n  N

Rq : on vérifie toujours :  pij 1


jE
Notons que ≥ 0: il est possible de rester dans un certain état i entre deux étapes consécutives.
30
Représentation
 CMTD = Graphe orienté Matrice de transition
p23
p12 2 P [ pij ]i, jE
1
p31 3
p41 p33 0 p12 0 p14
p14 4
0 0 1 0
P
E={1, 2, 3, 4}  p31 0 p33 0
p23 = p41 = 1  
p12 + p14 = 1 1 0 0 0
31
p33 + p31 = 1
Exemple de CMTD

32
Analyse d’une CMTD
 Régime transitoire
 Distribution du temps de séjour dans un état
 Classification des états
états états

Périodiques Apériodiques Transitoires Récurrents

Nuls Non nuls

 Régime permanent 33
Régime transitoire d’une CMTD
But : déterminer le vecteur  (n ) des probabilités d’état

 j  P[ X n  j ], j  E pour que le processus X n nN
(n)
 
ième
se trouve dans l’état j à la n étape du processus :

 (n)
 [
(n)
j ] j E  [  1
(n)
, (n)
2 , ]

Ce vecteur des probabilités dépend


de la matrice de transition P,
(0 )
du vecteur des probabilités d’état initiales 
34
Régime transitoire (…)
• Remarque :
L’état initial est défini par ses probabilités 
(0)
 ( 0)
  1 ,  2 , . (0)

Dire qu’initialement le processus est dans un certain état i revient à considérer que
 i( 0)  1 Évolution détaillée du processus Xn
0 1 … j … n

(0) (1) (j) (n)


Formule des probabilités totales :
(n)
 j
 P [ X n  j ]   P [ X n  j \ X n 1  i ] P [ X n 1  i ]
i E

soit  (j n )    i( n 1 ) p ij
i E
qui exprime que la probabilité de se trouver dans l’état j à la nième étape du processus n’est
rien d’autre que la probabilité de passer d’un certain état i à l’état j pondérée par la
probabilité d’être dans l’état i à l’étape précédente 35
Régime transitoire (…)
( n) ( n1)
Cette relation s’écrit sous forme matricielle  ( P( 0 )
n) n
 En appliquant n fois cette relation on obtient :   P
(0) (n)
 Évolution globale du processus Xn : 0 n
(m )
Soit p ij
la probabilité de transition de i vers j en m étapes :

(m)
p ij  P[ X n m  j / X n  i]  n  N
 (n)
j  P X n  j  P X
i E
n  j/X 0  i 
i E
i
0
p ij( n )

Finalement :
p ijm    p ik( m  1 ) p kj
kE
qui exprime simplement le fait que pour aller de l’état i à l’état j en m
étapes, on peut aller de l’état i à un état k en m-1 étapes, puis aller de cet état
k à l’état j en 1 étape et ce pour tous les états k. 36
Distribution du temps de séjour dans
un état
 Propriété : Le temps (nombre d’étapes) passé
dans un état d’une CMTD a une distribution
géométrique 0 étape
1-pjj i≠j 1 étape
j i≠j
1-pjj 2 étapes
pjj
j 1-pjj i≠j
pjj j
pjj
j

La distribution du nombre m d’étapes passées dans l’état j est donc donnée par : 1 −
37
Classification des états d’une CMTD
irréductible
Définition : une CMTD est dite irréductible ssi de tout état i on peut
atteindre tout état j (en un nombre fini d’étapes) :

 i , j  E ,  m tel que p ij( m )  0

 Remarque : toute CMTD non irréductible (réductible) possède au moins une


sous-chaîne absorbante
0.25 0.5 0.5
2
6 1 3
0.5 0.5
0.5
sous-chaîne
absorbante 1 4 5 sous-chaîne
77 0.25 absorbante 2
38
Classification d’une CMTD périodique
Définition : la période d’une CMTD est égale au
PGCD de la période de chacun de ses états. Une
CMTD est dite périodique si sa période est supérieure
à 1 (et apériodique si sa période est égale à 1)

 Propriété : la période d’une CMTD est égale au


PGCD de la longueur de tous les circuits du graphe
associé

39
40
Classification d’une CMTD transitoire
 Définition : soit f jj( n ) la probabilité que le premier
retour en j ait lieu n étapes après l’avoir quitté
 Soit f jj
, la probabilité de revenir en j après l’avoir quitté:
 
( n )
f jj   f jj
n 1
 
(n)
 Soit M j , le « temps » moyen de retour en j: M j   nf jj
n 1
 Définition : un état j est dit :
 Transitoire si f jj  1
 Récurrent si f jj  1; de plus il est
 Récurrent nul si le temps moyen de retour est infini : M 
j

 Récurrent non nul si le temps moyen de retour est fini : Mj
41
Classification d’une CMTD transitoire

 Propriété : tous les états d’une CMTD irréductible


sont de même nature:
 soit tous transitoires,
 soit tous récurrents nuls,
 soit tous récurrents non nuls.

 Propriété : tous les états d’une CMTD irréductible


finie sont récurrents non nuls

42
Régime permanent
 Régime permanent  s’intéresser à la limite
lorsque n tend vers l’infini du vecteur des
probabilités

 Cette limite existe-t-elle?


 Et si oui, comment la calculer?

43
Régime permanent : Propriété
 Dans une CMTD irréductible et apériodique le vecteur  des probabilités
(n)
limites   lim  existe toujours et est indépendant de la distribution des
n ( 0)
probabilités initiales 
 Soit tous les états sont transitoires ou récurrents nuls et
 j  0 pour tout j  E
 Soit tous états sont récurrents non nuls et les j sont solutions du
système :

  j    i pij pour tout j  E


iE
   1
iE i
44
Remarques
• Remarque 1 : Dans le cas où les probabilités existent et sont non nulles
(donc lorsque tous les états sont récurrents non nuls) on dit que la CMTD
admet un régime stationnaire. Les probabilités sont alors souvent
appelées les « probabilités stationnaires » de la CMTD.

• Remarque 2 : La première ligne du système de la propriété s’écrit sous


forme matricielle : = P ce qui correspond bien au passage à la limite sur
le système d’équations liant les probabilités transitoires = P (dès
l’instant où cette limite existe).

45
Les chaînes de Markov à Temps
Continu (CMTC)

 On considère un processus E
stochastique
6
X (t ) à espace d’état
t 0 5
discret et à temps continu 4
 E est l’espace d’état, il peut 3
être de dimension finie ou 2
infinie (mais dénombrable
1
car discret)
t

46
Définition (1)
 X (t )t 0 est une CMTC ssi :

P [ X ( t n )  j \ X ( t n  1 )  i n  1 , X ( t n  2 )  i n  2 ,  , X ( t 0 )  i0 ]
 P [ X ( t n )  j \ X ( t n 1 )  i n 1 ]  n et  t 0  t1    t n

C’est un processus sans mémoire !


 Restriction :On ne considère que les CMTC homogènes, c’est-à-dire
celles dont les probabilités P [ X ( t n )  j \ X ( t n 1 )  i n 1 ] ne dépendent
pas des instants d’observations t et t , mais uniquement de la durée
n n 1
qui sépare les deux observations (t  t )
n n1

47
Définition (2)
• Contrairement à ce qui se passe pour les CMTD, on ne dispose
jamais, dans le cas d’une CMTC, d’un historique complet du
processus.

• On observe celui-ci à certains instants dans le temps, choisis


aussi nombreux que l’on veut et répartis comme on veut, mais
on ignore ce qui se passe entre deux observations.

• Une connaissance très détaillée du passé ne fournit pas plus


d’information quant à l’évolution future du processus que la
connaissance de la dernière observation.
48
Caractérisations d’une CMTC (1)
• L’évolution d’une CMTC peut se voir comme une
répétition de deux phases :
– On reste un certain temps (distribué suivant une loi exponentielle)
dans un état.
– Lorsqu’on quitte cet état, on choisit l’état vers lequel on sort.

• Or à l’instant où on quitte un état, la destination ne dépend


– ni du temps passé dans l’état,
– ni du chemin par lequel on est arrivé dans l’état.

49
Caractérisations d’une CMTC (2)
 Une CMTC est un processus stochastique à espace d’états
discret et à temps continu tel que :
 le temps passé dans un état d’une CMTC a une distribution
exponentielle de taux i
 les transitions d’un état i vers les autres états sont probabilistes
 i   ij   ik j j
pij ij
i ij  i pij
 ij i  i
p ij  ik  i pik
 ij   ik pik ik
k k
 ik
p ik  1ère caractérisation 2ème caractérisation
 ij   ik d’une CMTC d’une CMTC 50
Exemple de CMTC

(Générateur infinitésimal)

51
Analyse d’une CMTC
 À une CMTC, on associe une matrice Q, appelée
générateur infinitésimal tel que :
   1 j
 12
  1 j 
j1
 
  21    2 j
 
j 2
Q      
 
  i1  ij 
  

 ≜ ∀ ≠
 ≜ −∑ = −∑ =− ∑ =−
 On se place toujours dans le cas particulier où =0
52
Régime transitoire
 Consiste à déterminer le vecteur (t) des probabilités d’état

 j (t )  P[ X (t )  j ], j  E , à tout instant t du processus

 (t )  [ j (t )] jE  [ 1 (t ),  2 (t ),]

 De la même façon que pour une CMTD, ce vecteur des probabilités


dépend :
 du générateur infinitésimal Q,
 du vecteur des probabilités d’état initiales  (0)

53
Analyse du régime permanent d’une
CMTC
Comme dans le cas discret :
 lim  (t ) existe-t-elle?
t

 si elle existe, peut-on la calculer ?

 Rappel : pour une CMTD, la condition est d’être irréductible


et apériodique !

 Périodicité d’une CMTC ?...

54
Périodicité d’une CMTC

• La notion de périodicité n’existe pas dans les


CMTC.

• Le fait qu’on passe dans chaque état un temps


exponentiel, donc aléatoire, retire au processus
stochastique ( ) tout caractère périodique

55
Classification des états
états

transitoires récurrents

nuls non nuls

 Si la CMTC est irréductible alors tous les états sont


de même nature
 Propriété : Tous les états d’une CMTC irréductible sont
de même nature :
 soit tous transitoires,
 soit tous récurrents nuls,
 soit tous récurrents non nuls.
56
Si de plus E est fini, tous les états sont récurrents non nuls.
Existence des probabilités stationnaires
 Propriété : Dans une CMTC irréductible, le vecteur  des
probabilités limites  j  lim  j (t ) existe toujours et est
t 
indépendant de la distribution des probabilités initiales
(0)
 soit tous les états sont transitoires ou récurrents non nuls et
 j  0 pour tout j  E
 soit tous les états sont récurrents non nuls et les  j sont l’unique
solution du système :

   i qij  0 pour tout j  E


iE
   1
 iE i 57
Quelques remarques

58
Files d’attente pour les réseaux

Chapitre 3 : Les files d’attente


Formalisme des files d’attente
 Introduction
 La file simple
 Processus d’arrivée
 Temps de service
 Structure et discipline de la file
 Notation de Kendall
 Les réseaux de files d’attente

60
Introduction (1)

61
Introduction (2)
 Modélisation des phénomènes de partage de
ressources
 Accès à une ressource par des clients afin de
réaliser une activité
 il peut se produire une attente pour accéder à une
ressource occupée
 ressource disponible  le client entre en service
Ressource

 
Accumulation Service
et attente
62
Théorie des files d'attente (1)

63
Théorie des files d'attente (2)
• Une file d'attente peut être représentée par le schéma suivant :

File d'attente Serveur


Théorie des files d'attente (3)
Système de file d'attente

File d'attente Unité de traitement

ta ts
tq
Exemples de files d’attente

66
La file simple

File d’attente Serveur


Arrivée Départ
des clients des clients

 Caractérisation
 Processus d’arrivée des clients ?
 Temps de service ?
 Structure et discipline de service de la file d’attente?
67
Processus d’arrivée
 L’arrivée des clients à la station est décrite à l’aide d’un
processus stochastique de comptage N (t )t 0
 Définition : Soit An la variable aléatoire mesurant l’instant
d’arrivée du n ièmeclient dans le système :
 
A 0  0 et A n  inf t \ N ( t )  n 

Soit Tn la variable aléatoire mesurant le temps séparant


ième ième
l’arrivée du n  1 client et celle du n client : Tn  An  An 1
T1 T2 T3 T4

t
0 A1 A2 A3 A4
68
Distribution des inter-arrivées
Processus d’arrivée (suite)
 Définition : Un processus de comptage N (t ) t 0
est un processus de

renouvellement ssi les variables aléatoires T sont des variables indépendantes


n n 1,2, 

et identiquement distribuées (i.i.d). La loi T décrivant le temps d’inter-arrivée suffit


alors à caractériser le processus de renouvellement
T T T T
0 A1 A2 A3 A4
Processus de renouvellement
• La plupart du temps, l’arrivée des clients à une file simple est supposée décrite
par un processus de renouvellement.
• Le processus d’arrivée le plus simple à étudier et donc le plus couramment
employé est le processus de Poisson.
• C’est un processus de renouvellement qui est tel que les inter-arrivées sont
distribuées selon une loi exponentielle (Propriété). 69
Temps de service

 Définition : Soit la variable aléatoire mesurant l’instant de départ du client


du système.
Soit la variable aléatoire mesurant le temps de service du client (temps
séparant le début de la fin de service)

X1 X2 X3 X4
t
0 D1 D2 D3 D4

Serveur inocuppé
 On considérera essentiellement des stations dont les temps de service consécutifs sont i.i.d
 La distribution du temps de service la plus simple à étudier et donc la plus couramment
employée est la distribution exponentielle.
70
Structure et discipline de service :
Nombre de serveurs
C serveurs
1

2 File à serveurs multiples

C
 Une station peut disposer de plusieurs serveurs en parallèle
 Un client arrive
 soit il y a un serveur de libre, le client entre instantanément en
service
 soit tous les serveurs sont occupés, le client se place dans le buffer
en attente de libération d’un des serveurs
 Station multi-serveurs ? Tous les serveurs ont le même
service et sont indépendants
 Station IS (Infinite Servers) ?
71
 Cette station ne comporte pas de file d’attente.
Structure et discipline de service :
Capacité de la file
 Capacité de la file à accueillir des clients en attente
de service : finie ou infinie
 K : capacité de la file (incluant le ou les clients en
service)
 K   , capacité illimitée
 K  B   , capacité limitée  perte de client
File à capacité finie

Capacité K
Perte si 72
file pleine
Structure et discipline de service :
Discipline de service (1)

• Discipline de service réfère à l’ordre selon lequel les clients sont servis :
premier arrivé premier servi, au hasard, selon des priorités …

73
Structure et discipline de service :
Discipline de service (2)
 Détermine l’ordre dans lequel les clients sont rangés
dans la file et y sont retirés pour recevoir un service
FIFO (First In First Out) ou FCFS (First Come First
Served) ou PAPS (Premier Arrivé Premier Servi)

 LIFO (Last In First Out) ou LCFS (Last Come First


Served) ou DAPS (Dernier Arrivé Premier Servi)

 RANDOM (Aléatoire)

 Round-Robin (Cyclique)

 PS (Processor Sharing)
74
Notation de Kendall
 Normalisation de la description d’une file
simple:
T/X/C/K/m/Z
 T : distribution d’inter-arrivée
 X : distribution de service
 C : nombre de serveurs
 K : capacité de la file
 m : population des usagers
 Z : discipline de service
75
Notation de Kendall (suite)
 T et X sont donnés par : • Exemple 1 : la file M/M/1
 M : loi exponentielle • Le 1er M : les inter-arrivées sont
exponentielles (c’est-à-dire que les
 G : loi générale
arrivées sont poissoniennes)
 GI : lois générales
• Le 2ème M : le temps de service est
indépendantes
exponentiel
 D : loi constante
• 1 : une file monoserveur
 Ek : loi de Erlang-k
• À capacité K infinie, m = +∞ et
 Hk : loi Hyperexponentielle-k discipline de service FIFO
 Ck : loi de Cox-k
• Exemple 2 : la file M/M/2/4
 PHk : loi « Phase-type » à k
étages • Inter-arrivées et temps de service
exponentiels
 Par défaut : K = +∞, m = +∞ et Z
= FIFO • À 2 serveurs,
• Capacité K = 4 finie
• m = +∞ et discipline de service FIFO
76
Performances des files d’attente
Paramètres de performances
 Analyse opérationnelle
 En régime transitoire
 Débit moyen d’entrée
 Débit moyen de sortie
 Nombre moyen de clients
 Temps moyen de séjour
 Taux d’utilisation
 En régime permanent
 Condition de stabilité
 Notion d’ergodicité
 Loi de Little
78
Analyse opérationnelle

Xe Xs
Q
Arrivées Départs

R
 Analyse opérationnelle = analyse particulière de
l’évolution du système pendant une période de temps
donnée
 Permet de caractériser le système.
 Etudier le comportement du système entre t = 0 et t = T
 s’intéresser au régime transitoire du système.
79
Paramètres de performances
n(t) R
opérationnels
2
3 R1
2

1
t
A1 A2 D1 D2 T
 T(n,T) : temps total pendant lequel le
ème
 Ak : instant d’arrivée du k client du système contient n clients

système
 Dk : instant de départ du k
ème
client  T ( n, T )  T
n 0
du système  P(n,T) : proportion de temps pendant
ème
 Rk : temps de séjour du k client laquelle le système contient n clients
dans le système :
T ( n, T )
Rk = Dk - Ak P( n, T ) 
 T : temps total d’observation T
 A(T) : nombre de clients arrivant dans
le système pendant la période [0,T]
 D(T) : nombre de clients quittant le
système pendant la période [0,T]
80
Paramètres de performances
opérationnels en régime transitoire (1)
 Débit moyen d’entrée :
Nombre moyen de clients arrivés dans le système par unité de temps
( )
( )=

 Débit moyen de sortie :


Nombre moyen de clients ayant quitté le système par unité de temps
( )
( )=

 Nombre moyen de clients Q :


Nombre moyen de clients présents dans le système pendant [0,T]
 1 
Q(T )   nP( n, T )   nT ( n, T )
n 0 T n 0
81
Paramètres de performances
opérationnels en régime transitoire (2)
 Temps moyen de séjour R :
Moyenne arithmétique des temps de séjour des clients dans le
système pendant [0,T]
1 A(T )
R(T )   Rk
A(T ) k 1
 Taux d’utilisation U :
Proportion de temps pendant laquelle le serveur est occupé sur
l’intervalle de temps [0,T]

U (T )   P( n, T )  1  P(0, T )
n 1
82
Paramètres de performances opérationnels
en régime permanent

 On s’intéresse à l’existence et aux valeurs (éventuelles) des


limites lorsque T tend vers l’infini :

≜ lim

≜ lim

Q ≜ lim

≜ lim

≜ lim

83
Stabilité ?
 Notion définie uniquement en régime permanent

 Définition : Un système est stable ssi le débit moyen de sortie


des clients du système est égal au débit moyen d’entrée des clients
dans le système
lim = lim
↦ ↦
 Le nombre total de clients arrivés dans le système pendant l’intervalle,
0, , , ne doit pas croître plus rapidement que le nombre total de clients
ayant quitté le système, , lorsque T tend vers l’infini.
( )
lim =1
→ ( )
 Cela implique que le nombre de clients présents dans le système à l’instant t, n(t),
reste fini pour tout instant.
84
Stabilité d’une file simple

• Considérons une file simple ayant un temps moyen d’inter-arrivées


= et un temps moyen de service = .

• Propriété 1 : Une file G/G/1 ayant un taux d’arrivée  et un taux


de service  (et un unique serveur) est stable si   .
 Interprétation : il ne faut pas qu’il arrive, en moyenne, plus de clients dans
la file que ce qu’elle est capable de traiter. Il arrive en effet, en moyenne, 
clients par unité de temps et la file est capable de traiter  par unités de
temps.

• Propriété 2 : Une file G/G/C ayant un taux d’arrivée  et un taux


de service  ( et C serveurs) est stable si   C.
85
Notion d’ergodicité (1)
 Analyse opérationnelle = s’intéresser à une évolution
particulière du système entre deux instants t = 0 et t = T
 Faire tendre T vers l’infini et considérer les limites de tous les
paramètres de performances opérationnels  régime
permanent du système
régime permanent d’une évolution particulière du système
 Possibilité d’étudier différentes évolutions du système
 Toutes ces réalisations ont-elles le même
comportement asymptotique ?
 Tous les paramètres de performances considérés ont-
ils la même limite quelle que soit l’évolution du
système ?
 Évolution stochastique du système ?
86
Notion d’ergodicité (2)
 Système ergodique : toutes les réalisations
particulières de l’évolution d’un système sont
asymptotiquement et statistiquement identiques
 Ergodicité  égalité entre moyennes temporelles
et moyennes statistiques
 Pour un système ergodique, les paramètres de
performances opérationnels sont égaux aux
paramètres de performances stochastiques (en
régime permanent)
87
Loi de Little
Xe Xs
Q
Arrivées Départs

R
 Ne concerne que le régime permanent
 Aucune hypothèse sur la « boîte noire »
 Aucune hypothèse sur les variables aléatoires qui
caractérisent le système (temps d’inter-arrivées, temps
de service, etc.)
 La seule condition d’application de la loi de Little est
que le système soit stable
88
Loi de Little : propriété
 Énoncé : Le nombre moyen de clients, le temps
moyen de réponse et le débit moyen d’un système
stable se relient de la façon suivante :
Q=RX
 La loi de Little permet de déduire l’une des trois
quantités (Q, R, X) en fonction de la connaissance des
deux autres
 Elle peut s’appliquer sur :
 une file simple (buffer + serveur)
 la file d’attente
 le serveur de la file

89
90
Files d’attente pour les réseaux

Chapitre 4 : Quelques files simples


Introduction

 La file M/M/1

 La file M/M/C

 Généralisation : Files markoviennes

92
La file M/M/1: définition

n(t)
 M/M/1 ?
 Processus d’arrivée des clients dans la file : Poisson ()
 Temps de service d’un client : distribution exponentielle ()
 File de capacité infinie
 Serveur unique
 Discipline de service de la file : FIFO
93
CMTC associée à la M/M/1
 Démarche : déterminer une « bonne » description d’état du système, c’est-à-dire
une description qui est telle que le processus engendré est une chaîne de Markov.
 Description : processus ( ) , où n(t) est le nombre de clients présents dans le
système à l’instant t, stochastique, espace d’états discret et temps continu, (c’est la
description d’état la plus simple que l’on puisse imaginer), sans mémoire (propriété
« sans mémoire » provient du fait que les inter-arrivées et le temps de service
suivent la loi exponentielle).
Puisque la file est à capacité illimitée, l’espace d’état E est infini : = 0, 1, 2, …
 c’est bien une CMTC !
 Graphe associé
   

0 1 2 …. n-1 n n+1 …

   

Ce type de CMTC linéaires pour lesquelles chaque état n n’est relié qu’aux états n – 1 et n+1 est connu
sous le nom de processus de naissance et de mort, une naissance correspond à une transition de l’état n
vers n+1 et une mort de l’état n vers n-1. 94
Processus de naissance et de mort

95
Stabilité de la M/M/1

     états transitoires ou récurrents nuls   n, p(n) = 0


File instable

  <   états récurrents non nuls   n, les probabilités


stationnaires p(n)  0
 File stable

96
Analyse du régime permanent de la M/M/1

 Analyse stationnaire d’une file stable ( < )


 Les probabilités stationnaires p(n) peuvent être
calculées de plusieurs façons :
 Système d’équations linéaires
 Équations d’état à l’équilibre (la seule méthode
adoptée dans ce cours)
 Équations aux frontières

97
Régime permanent
1. système d’équations linéaires
 En résolvant le système d’équations linéaire

pQ  0 et  p(n)  1
n 0
Où p  [ p( 0), p(1), p( 2),...] est le vecteur des probabilités
stationnaires et Q est le générateur infinitésimal de la CMTC :
   0  
  (  )  0  
 
0   (  )  0 
Q  
 0   (  )  0
  0  (  ) 
 
  0   98
Régime permanent
2.équations d’état à l’équilibre
 Équations d’état à l’équilibre :
Pour tout état j, flux sortant de j = flux entrant dans j
p(0)  p(1)
p(1)(   )  p(0)  p( 2)

p( n)(   )  p( n  1)  p( n  1) ,  n  1
Quelques lignes de calcul plus loin  équations de balances locales
p(0)  p(1)
p(1)  p( 2)

p( n)  p( n  1)  ,  n  0 99
Régime permanent
3.équations aux frontières
 Décomposition du système en deux sous-systèmes
E1 et E2 dont on égalise les flux

E1 = {0, 1,…, n-1} E2 = {n, n+1,…}

p( n  1)  p( n )  n 1
100
Régime permanent de la M/M/1

 En notant   , on a alors la méthode utilisée :

p( n )   p( n  1),  n  1
p( n )   n p(0),  n  0 
 On utilise la condition de normalisation de probabilités :  p( n )  1
n 0
qui en remplaçant p(n) par sa valeur calculée précédemment, on obtient :
1
p( 0)   1 
n

n 0
à condition bien sûr que la série converge, ce qui est vrai si <1
 On obtient alors :
n
p( n )  (1   )  ,  n  0
Remarque : la condition de convergence de la série ( < 1) n’est rien d’autre que la
condition de stabilité de la file ( < ). 101
Paramètres de performances (1)
 Débit X : Le service s’effectue avec un taux  si le système
contient au moins 1 client

X  Probafile non vide   p( n)  1  p(0)     
n 1

 Taux d’utilisation du serveur U : la probabilité pour que le


serveur de la file soit occupé
 
U   p( n )  1  p ( 0)   
n 1 
 Nombre moyen de clients Q :
 
n

n 1  (1   )
Q   n p( n )  (1   )  n   (1   )  n 
n 1 n 1 n 1 (1   )2

Q 102
1 
Paramètres de performances (2)
 Temps moyen de séjour R : obtenu en utilisant la
loi de Little
Q 1
R 
X  (1   )

qui peut s’écrire :

1 
R 
  (1   )
103
La file M/M/C

1

2

M/M/C ? n(t)
 Processus d’arrivée des clients dans la file : Poisson ()
 Temps de service d’un client : distribution exponentielle ()
 File de capacité infinie
 C serveurs
 Discipline de service de la file : FIFO
104
CMTC associée à la M/M/C
 Description : processus ( ) , où n(t) est le nombre de clients présents dans le
système à l’instant t, stochastique, espace d’états discret, temps continu, sans
mémoire (inter-arrivées et services étant distribués de façon exponentielle).
Puisque la file est à capacité illimitée, l’espace d’état E est infini : = 0, 1, 2, … .
 C’est bien une CMTC

 Graphe associé
    

0 1 2 …. C-2 C-1 C C+1 …

 2 (C-1) C C

- Lorsque le processus est dans un état < , tous les clients sont en service et sont
donc susceptibles de quitter la file au bout d’un temps exponentiel de taux .
- Le taux avec lequel un des n clients quitte la file, qui n’est rien d’autre que le taux de
transition de l’état n vers l’état − 1, est donc égal à .
105
Analyse du régime permanent de la M/M/C
 p(n) : la probabilité stationnaire pour que le système contienne n clients
Les équations d’équilibre du système donnent :
p (n  1)  p ( n ) n  n  1 , , C  1
p (n  1) p ( n ) C 
 n  C , C  1 ,

Soit p (n )  p ( n  1) n  1, , C  1
n

p (n )  p ( n  1) n  C , C  1,
C

où  

 n
p (n )  p (0 ) n  1 , , C  1
n !
 n
p (n )  n  C
p (0 ) n  C , C  1,
C !C
1
p (0 )  n
C  1   C
 
n  0 n ! ( C  1 )! ( C   )
106
Paramètres de performance
 Débit X: le service s’effectue avec un taux n dans chaque état où le
système contient moins de C clients et avec un taux C dans chaque état où
le système contient plus de C clients:
C 1 
X   p( n ) n   p( n) C
n 1 n C
 Temps moyen de séjour R : se décompose en un temps moyen
d’attente dans le buffer de la file, plus un temps moyen de service, en
appliquant la loi de Little au seul buffer de la file :

Qw 1 Qw 1
R W  S    
X   
C 1
R 2
p(0) 
 (C  1)!(C   ) 
107
Paramètres de performance (suite)
• Nombre moyen de clients Q : s’obtient par
application de la loi de Little à l’ensemble de la file :

= = = 0 +
−1 ! −

108

Vous aimerez peut-être aussi