Main

Académie Militaire − Fondouk Djédid
???
Direction de l’Enseignement Universitaire
Parcours : Formation d’Ingénieurs
Spécialités : Télécommunication et Génie Informatique
FILES D’ATTENTE
Sahbi MAZLOUT
Département de Télécommunication
sahbi.mazlout@gmail.com
Version révisée − Septembre 2020

AVANT PROPOS
Ce fascicule est destiné aux élèves-officiers de 2ème année Télécommunications et aux élèves-
officiers de 1ère année Génie Informatique dans le cadre du modules "Files d’attente". Il comporte un
résumé du cours dispensé en classe, une sélection d’exercices types classés par section dans laquelle
figurent des exercices d’anciens devoirs et examens ainsi qu’une correction de ces exercices à la fin
du fascicule.
Le cours du module "Files d’attente" suppose comme prérequis les notions de base de probabilités
notamment le calcul des probabilités discrètes, les probabilités conditionnelles et les règles de calcul
d’espérance mathématique d’une part et les notions de base de calcul matriciel et de développement
de Taylor d’autre part.
i
TABLE DES MATIÈRES
Avant propos i
1 Généralités 1
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 aperçu sur les files d’attente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Processus stochastiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Organisation du cours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Modélisation markovienne 4
2.1 Chaînes de Markov à temps discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1.2 Graphe de transitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1.3 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Chaînes de Markov à temps continu . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2.3 Graphe de transitions d’une CMTC . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2.4 Théorème de coupe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3 Processus de naissance et de mort . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.3 Processus de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3 Files d’attente 20
3.1 Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.3 Notation de Kendall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.4 Formule de Little . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
ii
AM/DEU Files d’Attente (Cours & Exercices)
3.5 Files d’attente markoviennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3.5.1 Files M/M/1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.5.2 Files M/M/1/m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.5.3 Files M/M/n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.5.4 File M/M/n/n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
iii
CHAPITRE 1
GÉNÉRALITÉS
1.1 Introduction
Les files d’attentes [?] sont des modèles pour des systèmes ou des processus à ressources
partagées qui reçoivent en entrée des entités pour les traiter ou leur procurer un service. La parti-
cularité de ces systèmes/processus est qu’ils peuvent recevoir des entités en plus des entités qui sont
en train d’être traitées : les entités qui sont en plus sont maintenues en phase d’attente.
A titre d’illustration non exhaustive, nous citons les exemples de la vie courante tels que guichets
de poste, cabinets de médecins, chaînes de production en série, . . . ainsi que des exemples spécifiques
au domaine informatique et des réseaux de télécommunication tels que les systèmes d’exploitation,
les commutateurs téléphoniques, les routeurs, les serveurs de messagerie, . . .
La théorie des files d’attentes est une discipline très importante qui est exploitée à deux niveaux :
— au niveau de la planification : dans le cas d’un projet de déploiement d’un nouveau système
ou processus à ressource partagée, la théorie des files d’attentes permet de dimensionner un
tel système/processus conformément à l’ensemble de contraintes en ressources, des règles de
déploiement et des exigences de qualité de service ;
— au niveau de l’évaluation des performances : étant donné un système ou processus opéra-
tionnel, la théorie des files d’attentes permet de mesurer les métriques de performances de la
configuration étudiée afin de les comparer avec les valeurs de références.
Ainsi, la théorie des files d’attente offre à l’ingénieur de conception de systèmes et de processus
un outil puissant d’analyse quantitative des systèmes/processus à comportement aléatoire et à
ressources partagées.
1
1.2 aperçu sur les files d’attente

Dans la théorie des files d’attente, les systèmes à ressources partagées sont modélisés par un
modèle mathématique appelé file d’attente. Formellement, une file d’attente correspond à un ou
plusieurs serveurs identiques (ressources partagées) munis d’une queue (mécanisme de mise en
attente). Une file est définie par ses caractéristiques suivantes :
1. le nombre de ses serveurs ;
2. la taille de sa queue ;
3. la loi d’arrivée des entités dans la queue ;
4. la loi de service ;
5. la politique d’ordonnancement des entités.
Serveurs
S1
Queue
S2
Arrivée des entités à servir Départ des entités servies
•
•
•
Sn
File d’attente
Les arrivées des entités dans la file sont, dans la plupart des cas, aléatoires. Également, la durée
du service peut varier d’une entité à une autre : cela signifie que la durée de service est également à
caractère aléatoire. En général, on décrit ces aspects aléatoires par des lois de probabilités et nous
verrons dans la suite (chapitre 3) que la loi de probabilité utilisée par défaut est la loi de Poisson
(pour décrire le nombre d’entités à un instant donné) ou de manière équivalente la loi exponentielle
(pour décrire la durée de service).
Cependant, nous pouvons faire appel à d’autres loi d’arrivée ou de service parmi lesquelles nous
citons la loi déterministe qui décrit des occurrences périodiques à temps régulier ou des durées de
service constantes. Dans le cas général, on parle de loi générale qu’on se contente de caractériser
soit par sa densité de probabilité soit uniquement par ses deux premiers moments (sa moyenne et sa
variance).
La politique d’ordonnancement décrit la méthode avec laquelle se fait la gestion des entités pré-
sentes dans la file à chaque instant. A titre non exhaustif, on trouve le plus souvent les politiques
FIFO (First In First Out), LIFO (Last In First Out), RR (Round Robin, connue aussi au nom de
la politique tourniquet), EDF (Earliest Deadline First scheduling), RMS (Rate-Monotonic Schedu-
ling), etc . . .
2
Comme mentionné dans l’introduction, les files d’attentes servent à évaluer les performances
du système/processus modélisé. Pour cela, on a défini des indicateurs de performances dont ceux
auxquels nous allons nous intéresser dans la suite de ce cours (cf. chapitre 3), à savoir :
— stabilité de la file d’attente ;
— taux d’utilisation des serveurs de la file d’attente ;
— nombre moyen d’entités dans la file ;
— nombre moyen d’entités dans la queue ;
— temps moyen de séjour d’une entité dans la file ;
— temps moyen de séjour d’une entité dans la queue.
1.3 Processus stochastiques

On appelle processus stochastique toute famille de variables aléatoires (X(t))t∈I où I désigne
un intervalle de temps. L’ensemble des valeurs possibles prises par X(t) est appelé espace des états
du processus.
Dans le cas où I est un intervalle continu de temps (dense dans R+ ), on parle de processus à
temps continu et dans le cas où I est un ensemble discret de temps (I ⊂ N), on parle de processus
à temps discret et on le note (Xk )k∈I .
Dans la suite, on se limite aux processus stochastiques dont l’espace des états est discret (fini
ou bien dénombrable). Cet espace d’états sera noté E={e1 , e2 , . . . , eN } avec N ∈ N ou bien N = ∞.
1.4 Organisation du cours

L’approche convenable dans l’étude des files d’attente suppose la maîtrise de la modélisation
markovienne. Ainsi, la suite de ce cours est organisée comme suit. Dans une première phase, nous
commençons par introduire les chaînes de Markov à temps discret. Dans une deuxième phase, nous
enchaînons avec les chaînes de Markov à temps continu. L’étude des chaînes de Markov à temps
continu nous offre les outils nécessaires à caractériser particulièrement le comportement des processus
de naissance et de mort. A ce stade, nous disposons de tous les outils nécessaires pour aborder l’étude
des différents modèles de files d’attente markoviennes.
3
CHAPITRE 2
MODÉLISATION MARKOVIENNE
2.1 Chaînes de Markov à temps discret

2.1.1 Définitions
On appelle chaîne de Markov à temps discret (qu’on notera par la suite CMTD) tout
processus stochastique à temps discret (Xk )k∈I vérifiant :
∀k ∀n > 0 P r(Xk+1 |Xk , Xk−1 . . . Xk−n ) = P r(Xk+1 |Xk )
Dans ce cas, la quantité P r(Xk+1 = ej |Xk = ei ) est notée Pij (k) et est appelée probabilité de
transition de l’état ei vers l’état ej à l’instant k.
Dans le cas où Pij (k) est invariante au cours du temps (i.e. indépendante de k), on dit que cette
CMTD est homogène et la quantité Pij (k) sera notée tout simplement Pij .
L’ensemble des probabilités de transition Pij définissent une matrice qu’on notera M et qu’on
appelle matrice de transition.
On appelle vecteur probabilité d’état de la CMTD (Xk )k∈I à l’instant k le vecteur π [k] =
[k] [k]
(π1 . . . πN ) tel que :
[k]
∀i ∈ [1, N ] πi = P r(Xk = ei )
PN [k]
N.B. : les composantes du vecteur π [k] vérifient i=1 πi = 1.
2.1.2 Graphe de transitions

Étant donnée une CMTD homogène, on peut lui attribuer un graphe de transitions : c’est un
graphe orienté dont les sommets sont les états de la CMTD et dont les arcs sont les transitions entre
4
les états (évidement, seules les transitions à probabilité non nulle sont représentées dans ce graphe).
A titre d’illustration, la figure suivante décrit le graphe de transitions de la CMTD définie par la
matrice de transitions M ci-dessous :
0.6
e1 e2 0.5
 


 0 0.6 0.4

 0.4
0.5
 
M= ⇐⇒ 0.7
 



 0 0.5 0.5



 
e3
 

0.7 0 0.3 
0.3
2.1.3 Propriétés
Étant donnée une CMTD, on peut établir que :
X
∀ei ∈ E Pij = 1 (2.1)
ej ∈E
Également, on démontre que :
∀k ∈ I π [k+1] = π [k] × M (2.2)
Ce résultat peut être généralisé :
∀k ∈ I π [k] = π [0] × M k (2.3)
où π [0] est le vecteur probabilité de l’état du processus à l’instant initial (k = 0).
Dans le cas où la CMTD possède un régime permanent, le vecteur probabilité d’état correspon-
dant au régime permanent est noté π ∗ et est donné par : π ∗ = limk→∞ π [k] .
Ce vecteur π ∗ satisfait l’équation suivante :
→
−
π ∗ × (M − Id) = 0 (2.4)
L’existence et l’unicité de π ∗ est garantie dans le cas où la CMTD est irréductible (propriété qui
ne sera pas traitée dans le cadre de ces notes de cours).
5
2.2 Chaînes de Markov à temps continu

2.2.1 Définitions
On appelle chaîne de Markov à temps continu (qu’on notera par la suite CMTC) tout
processus stochastique à temps continu {X(t)}t∈I (I dense dans R+ ) vérifiant : ∀t1 , t2 , · · · , tn ∈
I, t1 > t2 > · · · > tn
∀4t > 0 P r(X(t1 + 4t)|X(t1 ) . . . X(tn )) = P r(X(t1 + 4t)|X(t1 ))
Interprétation
Intuitivement et de manière similaire au cas des CMTD, la formulation mathématique énoncée
ci-dessus signifie que le comportement du processus dans n’importe quel instant du futur (t1 +4t)
ne dépend que de l’instant courant t1 .
Dans ce cas, la quantité P r(X(t + 4t) = ej |X(t) = ei ) est notée Pij (t, 4t) et est appelée pro-
babilité de transition de l’état ei vers l’état ej à l’instant t pendant la durée 4t.
Dans le cas où Pij (t, 4t) est invariante au cours du temps (i.e. indépendante de t), on dit que
cette CMTC est homogène et la quantité Pij (t, 4t) sera notée tout simplement Pij (4t).
Tout comme dans le cas des CMTD, l’ensemble des probabilités de transition Pij (4t) définissent
une matrice de transition qui, cette fois-ci, dépend de la durée de transition 4t et qu’on notera
M (4t).
Également, on définit π [t] le vecteur probabilité d’états de la CMTC à l’instant t :
[t] [t] [t]

π [t] = (π1 . . . πN ) avec ∀i ∈ [[1, N ]] πi = P r(X(t) = ei )
A propos du vecteur probabilité d’états

− Intuitivement, les composantes du vecteur probabilité d’états nous renseignent sur
la probabilité que le processus soit dans l’un de ses états possibles à l’un instant t ;
N [t]
− Il est également intuitif de vérifier que :
P
πi = 1.
i=1
2.2.2 Propriétés
Étant donnée une CMTC (X(t))I , on démontre que :
∀t ∈ I ∀4t > 0 π [t+4t] = π [t] × M (4t) (2.5)
6
Lorsque 4t devient petit (infinitésimal, 4t → 0), on obtient les équations suivantes :
dPii

P = 1 + qi × dt + o(dt) où qi = −
ii (dt) (0)


dt (2.6)
dPij
 Pij (dt) = qij × dt + o(dt) où qij = (0)


dt
Les coefficients qi et qij des équations ci-dessus sont appelés les taux de transition.
A propos des taux de transition

Il est important de remarquer que :
− les taux de transition sur le même état (qi ) sont négatifs : qi = −
P
qi j
j6=i
− Intuitivement, le taux d’une transition d’un état vers un autre décrit la cadence
(i.e. rapidité) de cette transition.
De manière plus détaillée et d’après l’équation (2.6), on remarque que les coefficients
dPij
qij = (0) (i 6= j) sont des inverses du temps du moment que les probabilités
dt
Pij (i 6= j) sont des quantités sans dimension.
1
Ainsi, (i 6= j) est la durée moyenne de la transition en question.
qij
Dans le cas où la CMTC possède un régime permanent, le vecteur probabilité d’état correspondant
au régime permanent π ∗ est caractérisé par :
∀dt > 0 π ∗ = π ∗ × M (dt)
Par dérivation de cette équation, on aboutit à l’équation caractéristique du régime permanent :
dM
π∗ × =0 (2.7)
dt
dM
La matrice P = est appelée générateur infinitésimal de la CMTC.
dt
2.2.3 Graphe de transitions d’une CMTC

Tout comme pour le cas d’une CMTD, on peut associer à une CMTC un graphe de transitions :
— les sommets de ce graphe de transitions sont les états de la CMTC ;
— les arcs de ce graphe correspondent aux transitions entre deux états différents et possèdent
comme poids les taux de transitions.
7
Très important !
La construction du graphe de transitions d’une CMTC doit impérativement respecter deux règles
très importantes :
1. Il ne faut jamais représenter des arcs bouclés sur un même état. La raison de cette exception
est simple : le taux de transition sur le même état est à valeur négative (voir la première
ligne de l’équation (6)).
2. Aucun arc du graphe ne peut correspondre à une transition représentant l’occurrence de
deux ou plusieurs événements simultanés : cela signifie que chaque transition (représentée
sur le graphe de transition) traduit un évènement unitaire.
Ainsi, le graphe de transitions d’une CMTC est souvent appelé graphe de transitions réduit.
Exemple d’illustration
Un cabinet de médecin reçoit des patients avec une cadence de 3 patients par heure. La durée
moyenne de consultation d’un patient est de 15 minutes.
On suppose que le processus décrivant le fonctionnent du cabinet suit un modèle de CMTC
homogène. Ce processus admet deux états possibles :
— État e1 : médecin libre ;
— État e2 : médecin occupé.
D’après l’énoncé ci-dessus, nos pouvons expliciter les taux de transition correspondant à ce pro-
cessus :
3 3
— Transition e1 → e2 : q12 = = = 0.05 min−1
1heure 60min
1 1
— Transition e2 → e1 : = 15 min ⇒ q21 = min−1 ≈ 0.07 min−1
q21 15
Attention : nous devons exprimer les valeurs des taux de transitions par rapport à la même réfé-
rence temporelle !
Le graphe de transitions réduit et le générateur infinitésimal correspondant à cette CMTC sont

illustrés dans la page suivante.
q21 ≈ 0.07 (min-1)

 
e1 e2 ⇔ −0.05 0.05 
P = [min−1 ]
0.07 −0.07
q12 = 0.05 (min-1)
8
2.2.4 Théorème de coupe

Dans ce qui précède (section 2.2.2), nous avons établi que la caractérisation du régime permanent
nécessite la résolution de l’équation matricielle (2.6).
Pour éviter un calcul en deux étapes (calcul du générateur infinitésimal puis résolution du sys-
tème linéaire), nous pouvons adopter une deuxième alternative pour caractériser le régime permanent.
Cette alternative est connue sous le nom de théorème de coupe ou encore sous le nom de théo-
rème de balance locale.
Pour comprendre le principe du théorème de coupe, nous commencerons par définir les notions
de flux des transitions entrantes et sortantes d’un état du processus étudié. Étant donné un
état ek ∈ E, on définit les deux flux des transitions relatifs à cet état à l’instant t comme suit :

[t]
Flux entrant vers l’état ek à l’instant t : Θe[t] (ek ) = qik × πi
 P




 i6=k

 [t]
Θs[t] (ek ) = qkj × πk
P
Flux sortant de l’état ek à l’instant t :




j6=k
En supposant que la CMTC étudiée possède un régime permanent caractérisé par son vecteur pro-
babilité d’états π ∗ , nous pouvons définir les flux précédents (en régiment permanent) comme suit :

Flux entrant vers l’état ek en régime permanent : Θ∗e (ek ) = qik × πi∗
 P




 i6=k

Θ∗s (ek ) = qkj × πk∗
 P
Flux sortant de l’état ek en régime permanent :




j6=k
Selon le théorème de coupe, pour toute CMTC homogène possédant un régime permanent, on dé-
montre que :
∀ek ∈ E Θ∗e (ek ) = Θ∗s (ek ) (2.8)
Ce résultat peut être généralisé à n’importe quel sous-ensemble d’états. Étant donné A un sous-
ensemble de l’espace d’états E, on définit en régime permanent les flux des transitions entrant vers
A et sortant de A comme suit :

Θ∗e (A) = × πi∗
P P
j∈A qij



 i∈A

avec A = {e ∈ E tq e ∈
/ A}
Θ∗s (A) πi∗

×
P P
= j∈A qij


i∈A
Selon le théorème de coupe, on a en régime permanent :
Θ∗entrant (A) = Θ∗sortant (A) (2.9)
9
Exemple d’illustration
On considère le graphe de transition réduit suivant :
λ1
e1 e2
μ1
δ
λ2
μ2
e3
Caractérisation du régime permanent moyennant l’équation (2.6) :

Le générateur infinitésimal correspondant à ce graphe de transitions réduit est :
 

−(λ1 + λ2 ) λ1 λ2 
P = µ1 −(µ1 + µ2 ) µ2 
 
 
0 δ −δ
A partir de l’équation (2.6), à savoir π ∗ × P = 0, nous pouvons déduire le système linéaire :


−(λ1 + λ2 ) · π1∗ + µ1 · π2∗ = 0




λ1 · π1∗ − (µ1 + µ2 ) · π2∗ + δ · π3∗ = 0

avec : π1∗ + π2∗ + π3∗ = 1

λ2 · π1∗ + µ2 · π2∗ − δ · π3∗ = 0



Caractérisation du régime permanent moyennant le théorème de coupe :

Afin de comprendre comment nous pouvons expliciter les expressions des flux de transitions en-
trants et sortants, nous avons dégagé (à partir du graphe de transitions réduit ci-dessus) les trois
graphiques explicatifs suivants :
État e1 État e2 État e3

λ1 λ1
e1 e2 e1 e2 e1 e2
μ1 μ1
δ δ
λ2 λ2
μ2 μ2
e3 e3 e3
Dans les graphiques précédents, les flux entrants sont représentés en bleu alors que les flux
sortants sont représentés en rouge.
10
Le tableau suivant récapitule les expressions des flux d’entrée et de sortie :
État Flux entrant Flux sortant

e1 µ1 · π2∗ λ1 · π1∗ + λ2 · π1∗
e2 λ1 · π1∗ + δ · π3∗ µ1 · π2∗ + µ2 · π2∗
e3 λ2 · π1∗ + µ2 · π2∗ δ · π3∗
D’après l’équation (2.8) caractérisant le régime permanent, nous retrouvons le système d’équations
précédent :
 




µ1 · π2∗ = λ1 · π1∗ + λ2 · π1∗ −(λ1 + λ2 ) · π1∗ + µ1 · π2∗ = 0





λ1 · π1∗ + δ · π3∗ = µ1 · π2∗ + µ2 · π2∗ ⇔

λ1 · π1∗ − (µ1 + µ2 ) · π2∗ + δ · π3∗ = 0
 λ · π∗ + µ · π∗ = δ · π∗  λ · π∗ + µ · π∗ − δ · π∗ = 0

 

2 1 2 2 3 2 1 2 2 3
2.3 Processus de naissance et de mort

2.3.1 Définition
On appelle processus de naissance et de mort une chaîne de Markov à temps continu homo-
gène possédant les deux propriétés suivantes :
1. L’espace des états E est un intervalle de N de la forme E = {0, 1, . . . , n} avec n ∈ N ∪ {+∞}.
2. ∀i, j ∈ E (j 6= i + 1) ou (j 6= i − 1) ⇒ qij = 0.
Interprétation
Intuitivement, pour comprendre les deux propriétés du processus de naissance et de mort :
— Propriété 1 : dans la pratique, les processus de naissance et de mort sont de très bons
modèles pour les systèmes qui traitant des entités en occurrence continue. A chaque fois,
que le processus termine le traitement d’une entité, le nombre total des entités dans le
système diminue. Inversement, si le système est encore occupé par le traitement d’une entité
et qu’il y a occurrence d’une nouvelle entité, alors le nombre total des entités augmente.
Dans un tel cas de figure, les états du processus correspondent au nombre des entités dans
le système.
— Propriété 2 : d’après les propriétés des taux de transition dans une CMTC, une transition
n’est autorisé que suite à un événement unitaire. Ainsi, dans le cas particulier d’un processus
de naissance et de mort, un événement unitaire ne peut être que l’un des deux cas de figures
suivants :
— ajout d’une nouvelle entité ;
— suppression d’une entité dont le traitement est achevé.
Compte tenu de cette définition, seuls les taux de transitions de la forme qi,i+1 et qi+1,i (i > 0)
sont significatifs.
11
Par la suite, on utilisera la notation suivante :
∀i ∈ E 0 ≤ i < n λi = qi,i+1 et µi = qi+1,i
Graphiquement, un processus de naissance et de mort possède un graphe de transition de la forme

suivante :
λ0 λ1 λ2 λk-1 λk λk+1
0 1 2 ∙ ∙ ∙ k k+1 ∙ ∙ ∙
μ0 μ1 μ2 μk-1 μk μk+1
Ce genre de processus modélise des systèmes qui sont caractérisés par le nombre d’entités qu’ils
traitent, ce nombre pouvant subir une série d’accroissements/décroissements en fonction de la dyna-
mique du système d’une part et de la dynamique de naissance d’entités d’autre part.
2.3.2 Propriétés
Dans cette section, nous supposons que le processus de naissance et de mort admet un régime
permanent. Dans ce cas, les probabilités d’état πk∗ vérifient la formule suivante :
∗ λk
∀k 0 ≤ k < n πk+1 = × πk∗ (2.10)
µk
Explication :
En appliquant le théorème de coupe sur le graphe de transitions illustré ci-dessus, nous distin-
guons deux cas de figure :
Cas particulier : k = 0 Cas général : k > 0

λ0 λk-1 λk Flux entrant
Flux sortant
0 1 k‒1 k k+1
μ0 μk-1 μk
nous obtenons les expressions de flux suivantes :
Etat Flux entrant Flux sortant

Cas particulier (k=0) µ0 · π1∗ λ1 · π0∗
Cas général (k>0) ∗
λk−1 · πk−1 ∗
+ µk · πk+1 λk · πk∗ + µk−1 · πk∗
12
Par égalité des flux entrant et sortant (théorème de coupe), nous obtenons les équations sui-
vantes : 
µ0 · π ∗ = λ 1 · π ∗

(E.1)
1 0
λk−1 · π ∗
 ∗
+ µk · πk+1 = λk · πk∗ + µk−1 · πk∗ (E.2)
k−1
A partir de l’équation (E.1), nous pouvons déduire l’égalité suivante :

n n
∗ ∗
[λk · πk∗ + µk−1 · πk∗ ]
X X
∀n>0 λk−1 · πk−1 + µk · πk+1 =
k=1 k=1
soit encore :
n h i n h i n n
∀n>0
P ∗
λk−1 · πk−1 +
P ∗
µk · πk+1 =
P
[λk · πk∗ ] +
P
[µk−1 · πk∗ ]
k=1 k=1 k=1 k=1
n−1 n n n−1
⇒ λk · πk∗ + ∗
µk · πk+1 λk · πk∗ + ∗
µk · πk+1
P P P P
=
k=0 k=1 k=1 k=0
n−1 n−1
⇒ λk · πk∗ + λ0 · π0∗ + ∗
µk · πk+1 ∗
+ µn · πn+1
P P
=
k=1 n−1 k=1 n−1
λk · πk∗ + λn · πn∗ µk · ∗ + µ0 · π1∗
P P
+ πk+1
k=1 k=1
En simplifiant les termes identiques dans les deux termes de la dernière égalité :
n−1
! Hn−1 ! n−1
! Hn−1 !
X ∗ ∗
HH
X
∗ ∗
X ∗ ∗
HH
X
λk · π k + λ0 · π 0 +
µkH· πk+1 + µn · πn+1 = λk · π k + λn · π n +
∗
µkH· πk+1 + µ0 · π1∗
HH HH
k=1 k=1
H k=1 k=1
H
nous obtenons :
∀ n > 0, λ0 · π0∗ + µn · πn+1
∗
= λn · πn∗ + µ0 · π1∗
Finalement, en utilisant l’équation (E.1), nous aboutissons à :
∗
∀ n > 0, µn · πn+1 = λn · πn∗
ce qui correspond bien à l’équation (2.10)
De la formule de récurrence précédente, nous pouvons dégager la formule, plus générale, suivante :
k−1
λi
1 ≤ k ≤ n πk∗ = × π0∗
Y
∀k (2.11)
i=0 µi
13
n
πk∗ = 1, on déduit l’expression de la probabilité de l’état "0" :
X
Puis de la relation
k=0
1
π0∗ = k−1
(2.12)
Q
n λi
i=0
X
1+ k−1
Q
k=1 µi
i=0
En examinant l’équation (2.12), on remarque que le résultat obtenu ne peut être valide au sens de
probabilité que si :
k−1
Q
n λi
i=0
X
k−1
<∞ (2.13)
Q
k=1 µi
i=0
Cette condition est appelée condition de stabilité du processus.
Ainsi, l’existence d’un régime permanent pour un processus de naissance et de mort est fortement
lié aux valeurs des taux de transition λk et µk . La discussion de l’importance des valeurs de ces taux
de transitions sera faite, cas par cas, lors de l’étude des différents modèles de files d’attente (chapitre
suivant).
2.3.3 Processus de Poisson

C’est un processus de naissance et de mort particulier pour lequel, on a :
E = (N ), ∀k ≥ 0 λk = λ et µk = 0
On démontre que les probabilités d’état de ce processus suivent la loi de Poisson de paramètre λ,
c’est à dire :
(λt)k −λt
∀k ≥ 0 πk (t) = e (2.14)
k!
Ce processus est fréquemment utilisé dans la modélisation des arrivées des entités dans un système
(voir section suivante).
14
2.4 Exercices
Exercices sur CMTD
Exercice 2.1
1. On considère une CMTD homogène

de matrice de transition suivante

:

· 1/2 0 0 0 0 
 1/3 · 0 0 0 0 
 
 
 0 0 · 0 7/8 0 
 
M =  
 1/4 1/4 0 · 1/4 1/4


 
 0 0 3/4 0 · 0 
 
 
0 1/5 0 1/5 1/5 ·
1.a. Sachant que cette matrice est incomplète (il manque dedans les termes diagonaux) :
déterminer les termes manquants de cette matrice. 0.2
1.b. Représenter le graphe de transitions de cette CMTD.

e2
1.c. Développer les équations du régime permanent corres- 0.8
0.6
pondant à cette chaîne. 0.5
2. Déterminer le régime permanent de la CMTD
e1 e3 0.5
dont le graphe de transition est représenté ci-contre :
0.4
Exercice 2.2
Dans une maison, on dispose de deux systèmes de chauffage : le premier est un système de base
et le deuxième est un système complémentaire (de soutien). La maison est dans ce cas dans l’un des
deux états suivants :
— État 1 : seul le système de base fonctionne ;
— État 2 : les deux systèmes (de base et de soutien) fonctionnent ensemble.
Si un jour on est dans l’état 1, la probabilité de rester dans le même état le jour suivant est 1/2.
Mais si un jour on est dans l’état 2, la probabilité de passer à l’état 1 le jour suivant est 3/4.
On suppose que l’ensemble de ce système suit un modèle de CMTD.
1. Donner la matrice et le graphe de transition de cette CMTD.
2. On pose pn = P rob(Xn = 1). Trouver une relation de récurrence entre pn et pn+1 .
3. Montrer que si un jour on se trouve dans l’état 1 avec la probabilité 3/5 alors il en est de même
pour tous les jours qui suivent.
4. Déterminer le régime permanent de cette CMTD.
5. Sachant que chaque journée dans l’état 1 coûte 1DT, dans l’état 2 coûte 2DT et que chaque
transition d’un état vers l’autre coûte 0,5DT, calculer le coût moyen de chauffage par jour.
15
Exercice 2.3
On considère deux machines identiques, indépendantes en communication avec un serveur local

via un bus commun. Ces deux machines sont synchronisées et fonctionnant à des intervalles de temps
discrets (chaque machine doit attendre le début d’un intervalle de temps pour envoyer ses données).
Dans le cas où les deux machines commencent l’émission simultanément, une collision se produit
et les données sont alors perdues pour cet intervalle de temps.
On suppose que chacune de ces deux machines peut entamer le processus d’envoi de données avec
la probabilité p1 (0 < p1 < 1) et que ce processus d’envoi de données s’achève avec la probabilité p2
(0 < p2 < 1). Dans le cas d’une collision, chaque machine reprend le renvoi des mêmes données avec
une probabilité p3 (0 < p3 < 1)
On suppose que le comportement de l’ensemble du système obéit au modèle d’une chaîne de
Markov.
1. Construire cette chaîne de Markov.
2. Calculer la probabilité de bonne émission de données.
3. Pour valeurs de p1 et p2 fixes, y a-t-il une condition sur p3 pour maximiser la probabilité de
bonne émission des données ?
Exercice 2.4
Le service météo a constaté que le temps qu’il fera demain dépend essentiellement du temps qu’il
faisait hier et du temps qu’il fait aujourd’hui.
Les probabilités de transitions qui ont été établies sont résumées dans le tableau suivant :
État du lendemain
État des deux jours précédents
Beau Mauvais
Beau - Beau 80 % 20 %
Beau - Mauvais 30 % 70 %
Mauvais - Beau 60 % 40 %
Mauvais - Mauvais 10 % 90 %
On suppose que ce processus peut être modélisé par une CMTD.

1. Définir les états de cette CMTD et représenter son graphe de transition.
2. Donner les équations caractéristiques du régime permanent de cette CMTD.
3. Calculer le nombre de jours de l’année qui correspondent à un climat bon.
Exercice 2.5
On considère un registre à décalage de type "entrée série/sortie parallèle" de longueur 2 bits (voir
la figure ci-dessous).
16
Horloge A l’instant k
Input Bascule Bascule Suite bk bk-1

(un bit) {bn}n∈ℕ
Etat du registre
Output Couple (bk-1, bk)
(mot binaire à 2 bits)
La séquence binaire à l’entrée du registre obéit aux règles suivantes :

— Si le bit actuel vaut "0" alors la probabilité que le bit suivant vaut "0" est 0.6
— Si le bit actuel vaut "1" alors la probabilité que le bit suivant vaut "1" est 0.7
Le comportement du registre peut être modélisé par une CMTD homogène.
1. Sachant que les états de cette CMTD sont décrits par les valeurs des bits de l’output du registre
(voir figure ci-dessus), définir les états possibles de cette CMTD.
2. Représenter le graphe de transition de cette CMTD et déduire sa matrice de transition.
3. Développer les équations du régime permanent de cette CMTD.
Exercice 2.6
On considère un canal de transmission binaire soumis à des perturbations qui altèrent les bits
transmis. Ces altérations peuvent avoir lieu sur une série continue de bits.
La capacité de décodage du récepteur est de sorte à ne pouvoir détecter qu’au maximum N bits
consécutifs erronés : dans le cas où N + 1 bits transmis consécutivement sont erronés, le récepteur
va confondre la situation avec le cas d’un seul bit erroné.
On suppose que si le bit reçu actuellement est correct et que les k bits suivants reçus (0 ≤ k ≤ N )
sont erronés, alors la probabilité que le bit k + 1 reçu soit correct est pk alors que la probabilité que
le ce bit k + 1 soit également erroné est qk (pk + qk = 1).
On suppose également que ce système (canal + récepteur) peut être modélisé par une CMTD
homogène.
1. Tracer le graphe de transition de ce système sachant qu’il admet N + 1 états définis par
ek = « k bits consécutifs éronnés » (0 ≤ k ≤ N ).
2. On se limite au cas où N = 3, caractériser le régime permanent de ce système et déduire la
probabilité de recevoir un bit correct pour les valeurs numériques suivantes :
p0 = 0.5 p1 = 0.7 p2 = 0.8 p3 = 0.9
17
Exercices sur CMTC
Exercice 2.7
Un système électronique d’une chaîne de production tombe en panne en moyenne une fois tous
les 20 jours. L’atelier a le choix entre deux alternatives de réparation :
— Envoyer le système à la maison mère pour réparation : cette réparation dure en moyenne 2
jours et coûte 150 DT ;
— Faire venir un réparateur sur place : cette réparation dure en moyenne 1 jour et coûte 250 DT.
En supposant le processus markovien (CMTC) :
1. Pour chacune des deux alternatives, donner le graphe de transition du processus et les équations
de son régime permanent.
2. Pour chacune des deux alternatives, calculer la probabilité que le système reste en bon état de
fonctionnement.
3. Sachant que l’atelier réalise une recette journalière de 50 DT, quelle est l’alternative qui convient
le mieux ?
Exercice 2.8
Une plateforme de télémesure est composée d’une station de collecte de données à laquelle sont
connectés deux centrales de mesure identiques et indépendantes. Chacune de ces deux centrales ouvre
une session de transmission de données vers la station de collecte avec une cadence λ. Chaque session
dure en moyenne 1/µ. Le protocole de transmission est conçu de manière que la station de collecte
peut gérer deux sessions en même temps.
Sachant que le fonctionnement de cette plateforme peut être modélisée par une CMTC homogène :
1. Définir les états possibles de cette CMTC et représenter son graphe de transition.
2. Développer les équation du régime permanent moyennant le théorème de coupe.
3. Quelle est la probabilité que la station de collecte soit occupée ?
Exercice 2.9
Un réseau de transmission de données sans fil est composé d’une (01) station de réception et de
trois (03) terminaux d’émission identiques. Chacun de ces trois terminaux peut effectuer l’une ou
l’autre parmi ces deux types de transmission :
— Type 1 : transmission "bas-débit" qui nécessite un débit de 16 kb/s ;
— Type 2 : transmission "haut-débit" qui nécessite un débit de 64 kb/s.
La station de réception possède une capacité totale de 128 kb/s et peut par conséquent recevoir
plusieurs types de transmissions provenant des trois terminaux à condition que le débit équivalent à
tout instant ne dépasse pas la capacité totale de la station de réception.
18
Les transmissions de type 1 sont générées avec un taux λ1 et ont une durée moyenne égale à 1/µ1 .
Les transmissions de type 2 sont générées avec un taux λ2 et ont une durée moyenne égale à 1/µ2 .
Chacun de ces trois terminaux ne peut pas avoir plus qu’une seule transmission de même type en
même temps mais peut avoir deux transmissions de types différents en même temps. Le comportement
de ce réseau peut être modélisé par une CMTC.
1. Définir les états possibles de cette CMTC (indication : dans la définition de ces états, seul le
nombre des transmissions est important et on ne se préoccupe pas des terminaux qui les ont
générées).
2. Représenter le graphe de transition de cette CMTC.
3. Donner les équations caractéristiques du régime permanent.
19
CHAPITRE 3
FILES D’ATTENTE
3.1 Notations
n nombre de serveurs de la file d’attente
m capacité d’accueil de la file (serveurs + queue)
N nombre moyen d’entités dans la file
Nq nombre moyen d’entités dans la queue
T temps moyen de séjour d’une entité dans la file
Tq temps moyen de séjour d’une entité dans la queue
u taux d’utilisation des serveurs de la file d’attente
3.2 Définitions
En tant que processus stochastique, l’espace des états d’une file d’attente est défini par E =
{0, 1, 2 · · · m} avec m ≤ ∞ (m = ∞ dans le cas d’une queue de taille infinie).
En supposant que la file d’attente étudiée admet un régime permanent, le vecteur probabilité
d’états π ∗ est défini par :
∀k, 0 ≤ k ≤ m, πk∗ = Prob(k entités dans la file)
Le nombre moyen d’entités dans la file N est défini par :

m
k × πk∗
X
N=
k=0
Le nombre moyen d’entités dans la queue N q est défini par :

m
(k − n) × πk∗
X
Nq =
k=n+1
20
Le taux d’utilisation d’un serveur u est la probabilité que ce serveur contienne une entité en
cours de traitement :
u = Prob(serveur occupé) = 1 − π0∗
Le temps moyen de séjour d’une entité dans la file est la moyenne du temps que prend
une entité pour quitter la file depuis son arrivée dans la queue.
Le temps moyen de séjour d’une entité dans la queue est la moyenne du temps que prend
une entité pour joindre un serveur depuis son arrivée dans la queue.
3.3 Notation de Kendall

Telle que définie dans le paragraphe précédent, toute file d’attente peut être représentée par la
notation suivante :
A/B/C[/D/E]
où :
— Lettre A désigne la loi d’arrivée et prend en général l’une des valeurs suivantes :
— M=loi markovienne
— D=loi déterministe
— G=loi générale
— GI=loi générale à distribution invariante dans le temps à occurrences indépendantes
— Lettre B désigne la loi de service et prend également l’une des valeurs M, D ou G ;
— Lettre C désigne le nombre de serveurs (n) ;
— Lettre D désigne la taille de la file. Cette valeur varie dans la plage [n, +∞] ;
— Lettre E désigne la politique d’ordonnancement et prend des valeurs telles que : FIFO, LIFO,
RR, EDF, RMS, . . .
Les lettres D et E sont mises entre crochets pour indiquer que la notation de Kendall peut être
abrégée à la forme réduite A/B/C dans le cas où D=∞ et E=FIFO.
3.4 Formule de Little

C’est une formule qui est valable dans le cas des files d’attente dont la loi d’arrivée est marko-
vienne. Étant donnée une file d’attente dont la loi d’arrivée est markovienne avec un taux d’arrivée
λ, alors les temps de séjour dans la file d’attente T (resp. dans la queue T q ) vaut en fonction de N
(resp. N q ) :
N
T = (3.1)
λ
21
Ceci est également valable pour le temps de séjour dans la queue T q qui vaut en fonction de N q :
Nq
Tq = (3.2)
λ
3.5 Files d’attente markoviennes

Ce sont les files d’attente dont les lois d’arrivée et de service sont toutes les deux des lois marko-
viennes. Dans la suite, on étudie quelques exemples de files d’attente markoviennes.
3.5.1 Files M/M/1

C’est le cas le plus simple de files d’attente. Ce modèle correspond à un seul serveur et une queue
infinie.
On suppose que les arrivées des entités se font avec un taux λ et que la durée moyenne de service
est 1/µ.
Du moment que les lois d’arrivée et de service sont markoviennes, la file M/M/1 peut être modé-
lisée par le processus de naissance et de mort défini par :





E =N

∀k ≥ 0, λk = λ (3.3)



∀k

≥ 0, µk = µ
λ λ λ λ λ λ
0 1 2 ∙ ∙ ∙ k k+1 ∙ ∙ ∙
μ μ μ μ μ μ
A partir des résultats du chapitre précédent, la condition de stabilité décrite par l’équation (2.13)
∞
λ
( )k < ∞ ce qui mène à :
X
se traduit par
k=0 µ
λ<µ ⇐⇒ ρ<1 (3.4)
λ
avec ρ = est défini comme étant la densité du trafic de la file M/M/1.
µ
22
En supposant cette condition satisfaite, on obtient comme premier résultat :
1

π0∗
= X =1−ρ


 ∞

 λ k
( )


k=0 µ
(3.5)



∗ λ k ∗
∀k > 0 πk = ( ) × π0



µ
Le taux d’utilisation du serveur est donné par :
u = 1 − π0∗ = ρ (3.6)
Par calcul, le nombre moyen d’entités dans la file est donné par :
ρ
N= (3.7)
1−ρ
Alors que le nombre moyen d’entités dans la queue vaut :
ρ2
Nq = N − u = (3.8)
1−ρ
Moyennant la formule de Little, T = N /λ, on peut déduire le temps moyen de séjour dans la file :
1
T = (3.9)
µ(1 − ρ)
Comme on peut déduire le temps moyen de séjour dans la queue à partir de T q = N q /λ :
ρ
Tq = (3.10)
µ(1 − ρ)
3.5.2 Files M/M/1/m

Cette file d’attente est analogue à la précédente avec la seule exception que sa queue est de taille
finie (de taille m). On suppose que les arrivées des entités se font avec un taux λ et que la durée
moyenne de service est 1/µ.
Cette file d’attente peut être modélisée par un processus de naissance et de mort défini par :





E = {0, 1, . . . , m}

 ∀k, 0 ≤ k < m, λk = λ (3.11)


∀k,

0 ≤ k < m, µk = µ
23
λ λ λ λ
0 1 2 ∙ ∙ ∙ k
μ μ μ μ
A partir des résultats du chapitre précédent, on obtient comme premier résultat :
∀k, 0 < k ≤ m, πk∗ = ρk × π0∗ (3.12)
avec :
1


ρ = 1 =⇒ π0∗ =
m+1



(3.13)
 1−ρ
π0∗

ρ

 6= 1 =⇒ =
1 − ρm+1
La quantité π0∗ vérifie bien la condition 0 < π0∗ < 1 pour n’importe quelle valeur de ρ (ρ = λ/µ), ce
qui signifie qu’aucune condition de stabilité n’est exigée pour la file M/M/1/m. Toutefois, dans
le calcul des indicateurs de performances (ci-dessous), nous devons distinguer les deux cas de figure :
ρ 6= 1 et ρ = 1
Le taux d’utilisation du serveur vaut :


m

 ρ = 1 =⇒ u =
m+1



(3.14)
 1 − ρm
6 1 =⇒ u = ρ

ρ

 =
1 − ρm+1
Le nombre moyen d’entités dans la file est égal à :

 m

 ρ = 1 =⇒ N =
2



(3.15)

 ρ 1 − (m + 1)ρm + mρm+1
ρ 6 1 =⇒ N =
= ×


1−ρ 1 − ρm+1
et le nombre moyen d’entités dans la queue peut être déduit à partir de la relation :
Nq = N − u (3.16)
Quant au temps de séjour dans la file, on doit distinguer deux cas de figure, à savoir :
— Le temps de séjour calculé uniquement pour les entités présentes dans la file, qu’on notera par
la suite T R ;
— Le temps de séjour est calculé pour toutes les entités y compris celles qui ont été rejetées de la
file à cause de sa saturation, ce temps de séjour s’identifie avec la notation définie auparavant
24
T.
Pour le premier cas de figure, on trouve :
m2



 ρ = 1 =⇒ T R =
2 × (m + 1) × λ



(3.17)

 N 1 − ρm+1
6 1 =⇒ T R = ×

ρ

 =
λ 1 − ρm
alors que pour le deuxième cas de figure, on retrouve la relation de la formule de Little : T = N /λ.
Du moment que la queue est de taille finie, on peut calculer également la probabilité de rejet PR
qui vaut :

ρ = 1 =⇒ P = π ∗ = 1
 R m
m+1



(3.18)

 ρm − ρm+1
ρ 6= 1 =⇒ PR =


1 − ρm+1
3.5.3 Files M/M/n

Dans ce cas de figure, la file d’attente contient n serveurs identiques et la queue est de taille
infinie. On suppose que les arrivées des entités se font avec un taux λ et que la durée moyenne de
service, pour chaque serveur, est 1/µ.
Cette file d’attente peut être modélisée par un processus de naissance et de mort dont les caractéris-
tiques sont les suivantes :

0 ≤ k < n µk = (k + 1) × µ
E = N, ∀k ≥ 0 λk = λ et (3.19)
 k≥n µk = n × µ
λ λ λ λ λ λ λ
0 1 2 ∙ ∙ ∙ n–1 n n+1 ∙ ∙ ∙
μ 2μ 3μ (n–1)μ nμ nμ nμ
A partir des résultats du paragraphe 6.2, on obtient comme premier résultat :
ρk ∗ nn−k k ∗
πk∗ = π si k ≤ n et πk∗ = ρ π0 si k ≥ n (3.20)
k! 0 k!
ρ étant défini comme précédemment par : ρ = λ/µ.
25
De ce résultat, on peut déduire la valeur de π0∗ :
1
π0∗ = n−1 k
(3.21)
X ρ ρn
+
k=0 k! n!(1 − ρ/n)
L’existence du régime permanent nécessite le respect de la condition 0 < π0∗ < 1 qui se traduit
par la condition de stabilité de la file M/M/n :
ρ < n ou encore λ < nµ (3.22)
Dans la suite, on suppose que cette condition de stabilité est satisfaite.
Le nombre d’entités dans la file N est donné en fonction de π0∗ :
nρn+1
N =ρ+ × π0∗ (3.23)
n!(n − ρ)2
Alors que le nombre d’entités dans la queue N q est égal à :
nρn+1
Nq = × π0∗ (3.24)
n!(n − ρ)2
En utilisant les formules de Little, on obtient les temps de séjour dans la file, respectivement dans la
queue, comme suit :
1 nρn+1
T = (1 + × π0∗ ) (3.25)
µ n!(n − ρ)2
respectivement :
1 nρn+1
Tq = × × π0∗ (3.26)
µ n!(n − ρ)2
Se rappelant que 1/µ n’est autre que la durée moyenne de service, notons qu’il devient plus facile de
déduire la valeur de T lorsqu’on connaît la valeur de T q ou inversement :
1
T = Tq + (3.27)
µ
Loi d’Erlang C
Un autre indicateur de performance dans ce cas de cette file d’attente est la probabilité d’attente
Pa : c’est la probabilité qu’une entité, une fois arrivée à la file, ne trouve pas immédiatement un
serveur libre et reste dans la queue jusqu’à la libration d’un serveur. Cette probabilité vaut par
conséquent :
πk∗
X
Pa =
k≥n
26
ce qui correspond :
ρn
Pa = n! (3.28)
n−1
ρn X ρk
+ (1 − ρ/n)
n! k=0 k!
Cette équation est connue dans le domaine des télécommunications sous le nom de loi d’Erlang C est
sert à dimensionner le nombre de circuits dans les réseaux téléphoniques possédant des mécanismes
d’attente en fonction d’une valeur seuil de la probabilité d’attente. Cette formule est disponible dans
la littérature technique sous forme de tableaux et d’abaques.
3.5.4 File M/M/n/n

Ce cas particulier de files d’attente présente la particularité de ne pas contenir de queue. Ce mo-
dèle de file d’attente contient uniquement n serveurs. Tel est le cas des commutateurs de téléphonie
dans un réseau RTCP.
On suppose que les arrivées des entités se font avec un taux λ et que la durée moyenne de service,
pour chaque serveur, est 1/µ.
Cette file d’attente peut être modélisée par un processus de naissance et de mort dont les caractéris-
tiques sont les suivantes :

 λk = λ
E = {0, 1, . . . , n} , ∀k, 0 ≤ k < n (3.29)
µ = (k + 1) × µ
k
λ λ λ λ λ
0 1 2 ∙ ∙ ∙ n–1 n
μ 2μ 3μ (n–1)μ nμ
A partir des résultats du paragraphe 6.2, on obtient comme premier résultat :
ρk ∗
πk∗ = π pour 0 ≤ k ≤ n (3.30)
k! 0
ρ étant toujours défini par : ρ = λ/µ.
De ce résultat, on peut déduire la valeur de π0∗ :
1
π0∗ = n (3.31)
X ρk
k=0 k!
La quantité π0∗ vérifie bien la condition 0 < π0∗ < 1 pour n’importe quelle valeur de ρ , ce qui signifie
27
qu’aucune condition de stabilité n’est exigée pour la file M/M/n/n.
Loi d’Erlang B
De manière comparable à la loi d’Erlang C, on a également développé pour le cas des files
M/M/n/n la loi d’Erlang B qui caractérise le taux de rejet des entités Pr en fonction de la densité
de trafic d’une part et du nombre de serveurs d’autre part.
Le rejet d’entités a lieu lorsque tous les serveurs de la file M/M/n/n sont occupés (du moment
que ce modèle de file ne dispose pas d’une queue). Par conséquent,le taux de rejet d’entités n’est
autre que la probabilité πn∗ .
Des calculs précédents, on trouve la formule :
ρn
Pr = nn! k (3.32)
Xρ
k=0 k!
Cette équation est connue dans le domaine des télécommunications sous le nom de loi d’Erlang B est
sert à dimensionner le nombre de circuits dans les réseaux téléphoniques sans mécanismes d’attente
(tel le cas typique des réseaux RTCP ou RNIS) en fonction d’une valeur seuil de la probabilité de
rejet (seuil connu aussi dans la littérature spécialisée sous l’appellation de seuil de blocage ou GoS,
Grade of Service). Cette formule est disponible dans la littérature technique sous forme de tableaux
et d’abaques.
28
3.6 Exercices
Exercice 3.1
Dans cet exercice, on désire faire la comparaison entre deux files d’attentes exposées à un flux d’objets
(appels, paquets,...) selon une loi d’arrivée de Poisson de taux λ :
— La première file d’attente (file 1) est de type M/M/2 (c’est à dire à 2 serveurs) avec une loi de service
markovienne de taux µ ;
— La deuxième file d’attente (file 2) est de type M/M/1 mais avec une loi de service markovienne de
taux 2µ.
File 1 File 2
μ
λ S λ 2μ
S
μ
S
1. Quelle est la condition de stabilité de chacune des deux files 1 et 2 ?

2. En se basant sur les équations des files d’attente M/M/1 et M/M/m établies dans le cours, donner
les nombres moyens d’objets N1 et N2 dans chacune des files 1 et 2.
3. Donner les valeurs de N1 et N2 dans les cas suivants : λ/µ = 0.25, λ/µ = 0.5, λ/µ = 1.
4. En se basant sur les équations des files d’attente M/M/1 et M/M/m établies dans le cours et en
s’appuyant sur les formules de Little, donner les temps moyens d’attente T1 et T2 dans chacune des
files 1 et 2.
5. D’après ce qui précède, quelle solution choisiriez-vous ? Expliquer.
Exercice 3.2
On considère une interface de communication qui reçoit des paquets de données pour les traiter et les
transmettre vers une autre interface. Le fonctionnement de cette interface peut être modélisé par une file
d’attente du type M/M/1. On suppose que les paquets de données arrivent selon un processus de poisson
avec un taux de λ paquets/s et que le temps moyen de traitement d’un paquet est égal à 1/µ = 10ms.
1. On souhaite faire fonctionner l’interface avec un taux d’utilisation maximal umax = 80%.
(a) Quel est le taux maximal d’arrivée de paquets que peut supporter l’interface ?
(b) Quel est le nombre moyen de paquets dans l’interface ? Déduire le nombre moyen de paquets
dans la queue.
(c) Quel est le temps moyen passé par un paquet dans l’interface ?
2. Selon le protocole de transmission utilisé, un paquet ne doit pas rester dans l’interface plus que 20ms.
(a) Exprimer le temps moyen de séjour dans l’interface en fonction de λ et de µ.
(b) Quelle est la valeur maximale de λ qui permet de respecter ce protocole de transmission ?
(c) Pour cette valeur de λ, quelle est la probabilité que l’interface ne contienne à un instant donné
aucun paquet ?
(d) Déduire la probabilité que l’interface contienne un seul paquet.
29

Main

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

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 :

Formats disponibles

Main

Transféré par

Droits d'auteur :

Formats disponibles

Académie Militaire − Fondouk Djédid

Parcours : Formation d’Ingénieurs

Spécialités : Télécommunication et Génie Informatique

Version révisée − Septembre 2020

3.5 Files d’attente markoviennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

1.2 aperçu sur les files d’attente

1.3 Processus stochastiques

1.4 Organisation du cours

2.1 Chaînes de Markov à temps discret

∀k ∀n > 0 P r(Xk+1 |Xk , Xk−1 . . . Xk−n ) = P r(Xk+1 |Xk )

2.1.2 Graphe de transitions

Également, on démontre que :

∀k ∈ I π [k+1] = π [k] × M (2.2)

Ce résultat peut être généralisé :

∀k ∈ I π [k] = π [0] × M k (2.3)

où π [0] est le vecteur probabilité de l’état du processus à l’instant initial (k = 0).

Ce vecteur π ∗ satisfait l’équation suivante :

2.2 Chaînes de Markov à temps continu

∀4t > 0 P r(X(t1 + 4t)|X(t1 ) . . . X(tn )) = P r(X(t1 + 4t)|X(t1 ))

Également, on définit π [t] le vecteur probabilité d’états de la CMTC à l’instant t :

[t] [t] [t]

A propos du vecteur probabilité d’états

∀t ∈ I ∀4t > 0 π [t+4t] = π [t] × M (4t) (2.5)

Lorsque 4t devient petit (infinitésimal, 4t → 0), on obtient les équations suivantes :

A propos des taux de transition

∀dt > 0 π ∗ = π ∗ × M (dt)

Par dérivation de cette équation, on aboutit à l’équation caractéristique du régime permanent :

2.2.3 Graphe de transitions d’une CMTC

Le graphe de transitions réduit et le générateur infinitésimal correspondant à cette CMTC sont

q21 ≈ 0.07 (min-1)

2.2.4 Théorème de coupe

Selon le théorème de coupe, on a en régime permanent :

Θ∗entrant (A) = Θ∗sortant (A) (2.9)

Caractérisation du régime permanent moyennant l’équation (2.6) :

A partir de l’équation (2.6), à savoir π ∗ × P = 0, nous pouvons déduire le système linéaire :

Caractérisation du régime permanent moyennant le théorème de coupe :

État e1 État e2 État e3

Le tableau suivant récapitule les expressions des flux d’entrée et de sortie :

État Flux entrant Flux sortant

2.3 Processus de naissance et de mort

Par la suite, on utilisera la notation suivante :

∀i ∈ E 0 ≤ i < n λi = qi,i+1 et µi = qi+1,i

Graphiquement, un processus de naissance et de mort possède un graphe de transition de la forme

Cas particulier : k = 0 Cas général : k > 0

nous obtenons les expressions de flux suivantes :

Etat Flux entrant Flux sortant

A partir de l’équation (E.1), nous pouvons déduire l’égalité suivante :

Finalement, en utilisant l’équation (E.1), nous aboutissons à :

ce qui correspond bien à l’équation (2.10)

Cette condition est appelée condition de stabilité du processus.

2.3.3 Processus de Poisson

Exercices sur CMTD

1.b. Représenter le graphe de transitions de cette CMTD.

On considère deux machines identiques, indépendantes en communication avec un serveur local

On suppose que ce processus peut être modélisé par une CMTD.

Input Bascule Bascule Suite bk bk-1

La séquence binaire à l’entrée du registre obéit aux règles suivantes :

Exercices sur CMTC

∀k, 0 ≤ k ≤ m, πk∗ = Prob(k entités dans la file)

Le nombre moyen d’entités dans la file N est défini par :

Le nombre moyen d’entités dans la queue N q est défini par :

3.3 Notation de Kendall

3.4 Formule de Little