Université Tunis El Manar mohamed.escheikh@gmail.com
12 août 2017 Réseaux de files d’attente
Modélisation stochastique
Notions de processus stochastiques
Processus de modélisation Hypothèses Formalismes de modélisation Types de formalismes de modélisation Chaînes de Markov Réseaux de Petri SRN Simulation à événements discrets Méthodes de résolution des modèles Méthodes analytiques Méthodes par simulation
2 / 25 Réseaux de files d’attente
Notions de processus stochastiques
Introduction : Les chaînes et processus de Markov interviennent dans
un procédé que l’on peut appeler Programmation dynamique en avenir incertain, faisant partie de l’optimisation de problèmes aléatoires. Lorsque le hasard intervient dans les problèmes de gestion, on dit qu’on a affaire à un problème stochastique. Ce procédé permet l’aide à la décision pour obtenir une gestion optimale ou définir une stratégie optimale, après observation et connaissance statistique du passé. Dans tous les cas on s’attache à définir le futur, par la modélisation du système en donnant une approche analytique pour la quantification des divers éléments du système. Les chaînes et processus de Markov interviennent dans un procédé que l’on peut appeler Programmation dynamique en avenir incertain, faisant partie de l’optimisation de problèmes aléatoires. Lorsque le hasard intervient dans les problèmes de gestion, on dit qu’on a affaire à un problème stochastique.
3 / 25 Réseaux de files d’attente
Notions de processus stochastiques
Un processus stochastique est une famille de variables aléatoires :
X(t), t ∈ T où t parcoure l’ensemble d’indice T. Si T est discret, on a affaire à une suite ou chaîne stochastique. Si T est continu, on a affaire à un processus stochastique t désigne très souvent une date, lorsque T est discret par ex : t1,...,tn. t désigne une date (instant qcq), lorsque T est continu. Lorsque X(t) prend un nombre fini ou dénombrable de valeurs, le processus est dit à espace d’état discret. Si au contraire les valeurs sont continues : espace d’état continu
4 / 25 Réseaux de files d’attente
Modélisation stochastique
La modélisation stochastique d’un système réel consiste a le
décrire quantitativement par une représentation abstraite en utilisant des méthodes mathématiques basées sur la théorie des processus stochastiques
Objectif : Développer des modèles formels de haut niveau de tels systèmes permettant d’analyser mathématiquement des estimations de performances et de performabilité d’intérêt pour différentes configurations et conceptions alternatives Mieux appréhender et cerner leurs comportements et leurs dynamiques
5 / 25 Réseaux de files d’attente
SED (Systèmes à Evénements Discrets)
SED (Systèmes a Evénements Discrets) fondamentalement asynchrones décrits par des variables d‘état discrètes et ou les changements d‘état se produisent sous occurrence d‘évènements discrets. Les SED sont des systèmes dynamiques dans lesquels les événements se produisent instantanément, causant un changement discret de l‘état du système. Exemples de SED Exemple1 : réseau d’ordinateurs ou de télécommunications. Dans ce cas l‘émission ou la réception d’un paquet de données représente un évènement. Exemple2 : protocole de communication où un évènement peut correspondre à l‘émission d’une requête ou la réception d’un réponse ou encore l’éxecution d’une primitive d‘établissement ou de libération de connexion. 6 / 25 Réseaux de files d’attente
Processus de modélisation L’étude du comportement d’un système réel dans un environnement opérationnel est difficilement réalisable en raisons de difficultés pratiques et de coûts. La représentation fidèle d’un système ainsi que de ses paramétres d’entrée est souvent réalisée en utilisant des modèles et des outils appropriés permettant d’approcher son comportement et de reproduire de manière pertinente sa dynamique. Chaque outil représente une approche de modélisation analytique déterminée. Le choix de l’approche, et par la suite de l’outil, est tributaire de la nature même du système à étudier et du type de performance à analyser. La modélisation consiste à représenter un système réel par des modèles 7 / 25 Réseaux de files d’attente
Processus de modélisation
Cette représentation se base sur la considération d’hypothèses spécifiques et en
utilisant des formalismes appropriés. Ceci permet de fournir une vue abstraite de ces systèmes exploitable pour différentes fins telles que la prédiction de performance, l’évaluation de performance, la sûreté de fonctionnement ou encore la vérification formelle. 8 / 25 Réseaux de files d’attente
Hypothèses La classe des modèles susceptibles d‘être résolus à partir de méthodes exactes est assez restreinte. La plupart du temps des hypothèses restrictives sont considérées. Les hypothèses doivent rester suffisamment réalistes pour traduire le plus possible le comportement du système et intégrer les paramètres les plus significatifs du système réel. Développer un modèle revient a faire un compromis Un modèle simple peut être très exploitable mais risque de manquer de précision alors qu’un modèle complexe peut être peu exploitable malgré sa précision et sa fidélité.
Cependant la relaxation des hypothèses peut conduire à des
analyses difficilement réalisables et des résolutions sous-jacentes encore plus complexes. 9 / 25 Réseaux de files d’attente
Hypothèses
Le processus de modélisation repose ainsi sur la considération
d’hypothèses motivées principalement par la recherche de compromis permettant de satisfaire deux objectifs contradictoires : Simplicité : afin de s’affranchir de la complexité des méthodes d’analyse et de rendre l‘évaluation et la résolution du modèle relativement rapide et suffisamment simple ; Réalisme : an de permettre au modèle de saisir les caractéristiques fondamentales du système.
10 / 25 Réseaux de files d’attente
Formalismes de modélisation
La modélisation est une phase fondamentale dans le cycle de
vie d’un système. Elle nécessite l’utilisation de techniques basées sur des formalismes. Les formalismes décrivent chacun à sa manière et en fonction de la richesse de description un niveau d’abstraction donné. Cette abstraction permet de décrire tous les états du système et de spécifier la nature des transitions possibles entre ces états. Chaque formalisme adopte des hypothèses considérant souvent des distributions Markoviennes. Mais il existe aujourd’hui pas mal de formalismes qui permettent de relaxer ces hypothèses et de fournir par la suite un cadre plus propice pour développer des modèles plus généraux et plus complexes. 11 / 25 Réseaux de files d’attente
Types de formalismes de modélisation
Chaînes de Markov Pour une large classe de systèmes les chaînes de Markov représentent un formalisme efficace pour analyser leurs performances et appréhender leurs comportements. Limitation : lorsque l’espace d‘état est relativement important (des millions voire des dizaines de millions), problème de passage a l‘échelle induisant des difficultés au niveau de la résolution de la chaîne et au niveau du calcul des distributions correspondantes. Idée : il est souvent judicieux d’utiliser des formalismes mathématiques de plus haut niveau afin de mieux spécifier et modéliser les systèmes a évènements discrets de type distribué et concurrent. L’intérêt vérifier et rechercher des propriétés spécifiques (vivacité, inter-blocage, famine) susceptibles de nous renseigner sur le comportement qualitatif inhérent du système.
12 / 25 Réseaux de files d’attente
Types de formalismes de modélisation
Réseaux de Petri Les réseaux de Petri (RdPs) : formalisme mathématique particulièrement adapté a la modélisation et la spécification des syst. a évènements discrets distribués et concurrents. Grâce a leur sémantique comportementale, les RdPs sont largement utilisés pour décrire formellement la dynamique de toute spécification d’un système. L’implémentation des RdPs au travers le développement d’outils RdPs servent essentiellement à automatiser le processus d’analyse et à générer éventuellement des chaînes de Markov sous-jacentes. Limitation : Comme les Chaînes de Markov les systèmes a grand espace d‘état engendrent souvent une difficulté non négligeable lors de leur analyse. L‘émergence et le foisonnement de plusieurs outils implémentant les RdPs permet non seulement d’automatiser la résolution des modèles et leur vérification mais aussi de convivialiser leur utilisation. Une variante des RdPs est les SRNs. Ces derniers représentent une extension des RdPs ajoutant des gardes aux niveaux des transitions. 13 / 25 Réseaux de files d’attente
Méthodes de résolution des modèles
Méthodes analytiques
Les méthodes analytiques sont utilisées pour obtenir des
solutions a des mesures de performance ou de performabilite. Les résultats numériques sont relativement faciles a calculer si une solution analytique simple est disponible. En contrepartie les solutions des modèles complexes peuvent être difficiles a obtenir. Cette approche est utile lorsque l’on n’a besoin que des estimations approximatives des mesures de la performance.
14 / 25 Réseaux de files d’attente
Méthodes de résolution des modèles
Méthodes par simulation
Il s’agit d‘élaborer un programme de simulation qui
implémente le modèle correspondant au système. Il s’agit ensuite d’exécuter le programme de simulation et d’utiliser les données recueillies pour estimer la mesure de performance cible. L‘étude du système peut être effectuée a un niveau arbitraire de détail. L’inconvénient pour ce type de modèle est qu’il peut être coûteux de développer et d’exécuter le programme de simulation.
15 / 25 Réseaux de files d’attente
Méthodes de résolution des modèles
Méthodes par simulation
Généralités Outil flexible et utile dans l’évaluation des performances Pallie certaines limitations et contraintes de la modélisation analytique Modèle (simulable) avec un niveau arbitraire de détails peut être décrit
Intérêt : prendre en compte des situations très complexes.
Application : validation d’un modèle analytique.
16 / 25 Réseaux de files d’attente
Méthodes de résolution des modèles
Méthodes par simulation
Simulateurs à événements stochastiques discrets Simulation à événements discrets du modèle Simulation du comportement dynamique des entités composants le modèle (stations, clients, ressources,. . . ) Le comportement est analysé aux instants d’occurrence d’évènements dans le modèle (transition de clients, début de service. . . ) Générateurs de nombres aléatoires utilisés dans la simulation pour reproduire les comportements stochastiques des composants du modèle distribution du temps des services, probabilités de transitions,...
17 / 25 Réseaux de files d’attente
Méthodes de résolution des modèles
Méthodes par simulation
Analyse des résultats
Modèles commandés par des séquences d’entrées aléatoires (Temps de service, transitions,. . . ) Obtient des séquences de sorties aléatoires (flux de clients, temps de réponse,..) å débits, temps de réponse Précision des résultats, temps de simulation Intervalle de confiance
18 / 25 Réseaux de files d’attente
Méthodes de résolution des modèles
Méthodes par simulation
Conclusion La simulation est surtout utile si les systèmes à analyser sont complexes et que des simplifications ne sont pas possibles. . . Nécessité de beaucoup de temps calcul. Attention à la complexité du modèle
å risques d’erreurs
19 / 25 Réseaux de files d’attente
Comparaison Modèles analytique, Modèles
simulable
Modèles analytiques Avantages Simplicité conceptuelle et programmation (+ + +) Temps de calcul faible (++) Solution stationnaire garantie (+) Inconvénients Hypothèses de résolution contraignantes (− − −) Résultats limités aux moyennes (−)
20 / 25 Réseaux de files d’attente
Comparaison Modèles analytique, Modèles
simulable
Modèles simulables Avantages Absence de contrainte de modélisation (+ + +) Attention ! Absence de contrainte Inconvénients Difficultés de validation si complexe (− − −) Temps de calcul élevé (−) Précision statistique à évaluer (−) Résultats limités aux moyennes(−)
21 / 25 Réseaux de files d’attente
Conclusion
But des modèles
Aider le concepteur à répondre aux questions : Quelles performances à quel coût ? Modèles (file d’attente, réseaux de Petri, . . . .) ne sont pas parfaits. . . åce qu’il y a de mieux pour évaluer les performances des systèmes Succès dû à deux facteurs puissance de représentation de haut niveaau pouvoir de décision détermination des propriétés du système par analyse du modèle.
22 / 25 Réseaux de files d’attente
Conclusion
Choix entre modèle analytique ou simulable :
circonstances compétences de goût des outils du prix. . . .. Bilan Précision des évaluations produites est du même ordre de grandeur que les données d’entrée Nécessité absolue d’effectuer des mesures (logiciel, matériel)
23 / 25 Réseaux de files d’attente
Conclusion
But des modèles
Aider le concepteur à répondre aux questions : Quelles performances à quel coût ? Modèles (file d’attente, réseaux de Petri, . . . .) ne sont pas parfaits. . . åce qu’il y a de mieux pour évaluer les performances des systèmes Succès dû à deux facteurs puissance de représentation de haut niveaau pouvoir de décision détermination des propriétés du système par analyse du modèle.
24 / 25 Réseaux de files d’attente
Conclusion
Choix entre modèle analytique ou simulable :
circonstances compétences de goût des outils du prix. . . .. Bilan Précision des évaluations produites est du même ordre de grandeur que les données d’entrée Nécessité absolue d’effectuer des mesures (logiciel, matériel)
