Vous êtes sur la page 1sur 25

Réseaux de files d’attente

Modélisation Stochastique

Mohamed Escheikh

2éme année Télécoms Département TIC ENIT


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)

25 / 25

Vous aimerez peut-être aussi