Modélisation Et Dimensionnement Des Réseaux

Institut National des Postes et Tlcommunications
INE2
MODELISATION ET
DIMENSIONNEMENT DES
RESEAUX TELECOMS
Ahmed EL KHADIMI
INTRODUCTION
Evaluation des Performances des Rseaux
Ahmed EL KHADIMI
Introduction
Complexit sans prcdent des rseaux :
Dveloppement des communications mobiles,
Croissance exponentielle dInternet et des trafics
de donnes,
Mise en uvre de nouveaux services multimdia
(avec GPRS, UMTS et 4G).
Nouvelles exigences :
Minimiser le cot face la concurrence,
Assurer la qualit de service (QoS),
Scuriser les infrastructures de communication.
3
Introduction
Matriser la complexit des rseaux :
Difficults conceptuelles de conception,
planification & gestion,
Dvelopper des algorithmes doptimisation de
rseaux pour leur conception, leur planification &
leur gestion
Intgrer ces algorithmes dans des outils daide la
dcision au service des oprateurs
Introduction
Classification des problmes :
Optimisation du routage (court terme),
Optimisation du dimensionnement (moyen
terme),
Optimisation de la topologie (long terme),
Couplage des diffrentes problmatiques.
Introduction
Optimisation du routage (court terme) :
Optimiser les capacits de rserve pour faire face
de nouvelles demandes ou des dsquilibrages
du trafic (vnements ponctuels, variations
saisonnires, dcalage horaire des zones, etc.)
Contraintes de QoS et de scurit,
Contraintes technologiques,
Introduction
Optimisation du dimensionnement (moyen
terme) :
Dimensionner les capacits des artres et des
nuds existants en fonction des prvisions de
trafic,
Contraintes de QoS, de scurisation, de budget.
Contraintes technologiques, capacits discrtes de
transmission
Problme coupl avec celui de routage,
Introduction
Optimisation de la topologie (long terme) :
En fonction des nuds existants dans un rseau
(points de prsence, nuds de transit) et de leur
volution prvue dans le temps (ouverture de
nouveaux points de prsence),
Dterminer le maillage de la topologie permettant
de minimiser les cots de construction et
dquipements,
Problme coupl avec ceux de routage et de
dimensionnement.
8
INTRODUCTION
Evaluation des performances des rseaux
Dveloppement des rseaux de tlcoms
Accroissement important de sa complexit
La matrise de ces systmes complexes ncessite :

Des modles et des outils permettant de prdire les
performances dun rseau et de les optimiser
INTRODUCTION
On considre un rseau de tlcom comme systme servant le trafic entrant
Rseau
Trafic Entrant
Trafic Sortant
Le trafic entrant est gnr par les utilisateurs du rseau

On ne sait jamais qui communique avec qui, quand et pour combien de temps
Caractristique essentielle des modles rseaux que nous allons tudier sont
des modles stochastiques
Ils intgrent lincertitude lie dune part aux arrives des communications dans
le rseau et dautre part leurs dures
10
INTRODUCTION
Les modles rseaux doivent nous permettre de
rpondre trois grandes questions :
tant donns la demande (le trafic) et les ressources
disponibles, quelle est la qualit de service offerte aux
utilisateurs ?
tant donns la demande et une qualit de service cible,
comment dimensionner les ressources du systme ?
tant donns les ressources disponibles et une qualit de
service cible, quelle est la demande maximale ?
11
INTRODUCTION
tude des relations entre les trois facteurs cls : trafic, la
qualit de service et les ressources / Cot
Qualit de service
Ressources / Cots
Trafic
12
INTRODUCTION
De manire gnrale, les techniques dvaluation des
performances doivent nous permettre :
de prdire les performances (QoS, utilisation des ressources)
avant la construction ou lextension dun rseau
Dvaluer et comparer plusieurs scnario : modification des
quipements, configuration des protocoles de routage, etc
Danticiper le comportement du rseau suite une prvision
daugmentation du trafic ou suite une panne dquipement
Etc
13
Rappels sur la thorie des Probabilits

Lintrt principal de la thorie des probabilits est de
nous permettre de modliser une exprience (ou un
systme) sans disposer de linformation ncessaire pour
la dcrire exactement.
Si on veut tudier le trafic dans un rseau tlphonique,
il faudrait pouvoir prdire, pour chaque abonn au
tlphone, quand il va tlphoner, qui, et pendant
combien de temps.
Cest par ce que nous sommes incapables de faire cette
modlisation
14
MODELISATION ET DIMENSIONNEMENT
DES RESEAUX TELECOMS
Chapitre :
Les Chanes de Markov
Ahmed EL KHADIMI
15
Plan du Chapitre
Rappel sur le processus stochastique
Les Chanes de Markov Temps Discret (CMTD)
Les Chanes de Markov Temps Continu (CMTC)
16
Prliminaire
Probabilits (Bayes, thorme des probabilits
totales, etc.)
Esprance
Variance
Loi exponentielle
Processus de Poisson et processus sans mmoire
Processus stochastique
17
Prliminaire
Thorme des probabilits totales
Soit {Ai}i E une partition de , la probabilit dun
vnement B qlq peut se dcomposer de la faon
suivante :
P[B]=
iE P[B|Ai]P[Ai]
18
Prliminaire
Formule de Bayes :
Soit {Ai }iE une partition de (espace de tt les
ralisations possible), la probabilit dun des
vnements Aj conditionne par un vnement B
peut scrire :
P Aj B =
[ ][ ]
P B Aj P Aj
P[B A ]P[A ]
iE
19
Prliminaire
La variance not V[X] et lcart type not [X]
dune variable alatoire X sont dfinis par :
V[X]=E[X]-(E[X]) = E[(X-E[X])]
[X]=(V[X])1/2
20
Processus stochastique
Dfinition : Un processus stochastique {X(t)}tT est
une fonction du temps dont la valeur chaque
instant dpend de l'issue d'une exprience
alatoire.
Un processus stochastique est donc une famille
de variables alatoires (non indpendantes)
Le temps T, peut tre discret ou continu
L'ensemble E des valeurs que peut prendre X(t) est
appel espace d'tats et peut tre discret ou continu
le processus de Poisson est un processus

stochastique
21
Espace d'tats discret/continu

Temps discret/Continu
Une trajectoire d'un processus est dcrit par un
couple (espace, temps)
L'espace peut tre discret (ED) ou continu (EC)
Le temps peut tre discret (TD top d'horloge),
continu (TC coulement du temps)
22
Ex/Ty : Quelques exemples

EC/TC : Temps dattente dun
message arrivant linstant t :
{W(t)}t>0
E R et t [0, +[
Une fonction x(t)
valeurs relles
EC/TD : Temps moyen de

traitement par rapport au jour
de la semaine : {Tn}n=1,,7
E R et nZ
Une suite de rels
{Xn}nZ
ED/TC : Nombre de messages

arrivant dans lintervalle [0,t] :
{N(t)}t>0
Chane
E N et t [0, +[
Une fonction discontinue
x(t) valeurs entires
ED/TD : Nombre dappels

changs suivant le jour de
lanne : {An}n=1,,365
E N et nZ
Une suite dentiers
{Xn}nZ
23
Les Chanes de Markov Temps

Discret (CMTD)
Soit un processus
stochastique {Xn}nN
temps discret et espace
d'tats discret...
E peut-tre fini ou infini
(mais dnombrable)
24
Dfinition de la CMTD
Dfinition : {Xn}nN est une CMTD ssi :
P[Xn=j| Xn-1=in-1, Xn-2=in-2, ... , X0=i0] = P[Xn=j| Xn-1=in-1]

La probabilit pour que la chane soit dans un certain tat la nime
tape du processus ne dpend donc que de ltat du processus
ltape prcdente (la n-1ime tape) et pas des tats dans lesquels il se
trouvait aux tapes antrieures (les tapes m, pour tout m =0,,n-2).
Restriction
On ne considre que les CMTD homogne, on dfinit la probabilit
de transition dun tat i vers un tat j, pij qui ne dpend pas de ltape n :
pij = P[X n = j X n 1 = i ]
nN
rq : on vrifie toujours : jE pij = 1

Notons que piI 0 : il est possible de rester dans un certain tat i entre deux
tapes conscutives
25
Reprsentation
La matrice de transition P=[pij]i,jE est une matrice carre dorde
fini ou infini (selon que lespace dtat E est fini ou infini)
On utilise des reprsentation graphique dune CMTD homogne,
sous forme dun graphe orient. On associe alors chaque tat de
la chane un nud et chaque transition possible entre deux
tats, un arc orient pondr par la probabilit de transition.
26
Modlisation
Les CMTD sont un outil de modlisation et dvaluation
de performances dune classe particulire de systme
vnements discrets. Pour cette classe particulire, on
ne sintresse ltat du systme qu des instants
particuliers tn de leur volution.
Cela peut se produire dans deux cas :
Soit en sintresse ltat du systme intervalles de temps
rguliers (jour, heure,). On a tn = nT, o T est lunit de temps
considre. Ltat du systme ltape n du processus est alors
ltat du systme au nime jour ou la nime heure
Soit on sintresse ltat du systme juste aprs un
vnement. tn est alors linstant du nime vnement. Ltat du
systme ltape n du processus correspond alors ltat juste
aprs le nime changement dtat. Les instants effectifs de
27
changements dtats ne sont alors plus quidistants
Exemple de la souris (1)

La souris circule dans un labyrinthe de 5 pices et dune sortie
avec des couloirs sens unique.
On va considrer les dplacement de la souris lintrieur du
labyrinthe. On sintresse uniquement la succession des pices
visites et pas au temps pass dans chacune, ni au temps pass
par la souris dans les couloirs.
On ajoute les deux hypothses suivantes :
1.
2.
On suppose que la souris ne garde

pas la mmoire des pices
prcdemment visites
Dplacement alatoire
(choix couloir quiprobable)
Out
28
Out
1 tat pour modliser la sortie

1 pice = 1 tat de la CMTD
1 couloir = 1 transition entre tat
choix alatoire dun couloir = valuation
des transitions par des probabilits
ltat 6 modlise la sortie
le rebouclage sur ltat 6 est ncessaire
pour le modle = lorsque la sourie est
sortie elle ne peut pas rentrer dans le
labyrinthe
29
Out
30
31
32
Analyse d'une CMTD

Rgime transitoire
Distribution du temps de sjour dans
un tat
Classification des tats
Rgime permanent
33
Rgime transitoire d'une CMTD

Lanalyse du rgime transitoire dune CMTD consiste
dterminer le vecteur (n) des probabilit d'tats
j(n) P[Xn=j] pour que le processus {Xn}nIN se trouve
dans l'tat j la nime tape du processus :
(n) [
j(n)]jE = [
1(n), 2(n), ]
Ce vecteur des probabilit dpend de :
La matrice de transition P
Le vecteur de probabilits initiales (0)
34
Le dpart de la souris (2)

Imaginons que la souris soit
initialement dans la pice 2 !
2(0) = 1
(0)={0,1,0,0,0,0}
(n) : tat du processus la
nime tape du processus
j(0) = 0, j 2
Il sagit de dcrire lvolution du processus depuis ltat

initial (caractris par (0)) jusqu ltape n (caractris
par (n)), en passant par toutes les tapes intermdiaires :
0
(0)
(1)
(j)
(n)
35
Rgime transitoire (...)

Formule des probabilits totales :
j(n) = P[ Xn= j]=iE P[ Xn= j| Xn1=i]P[ Xn1=i]
Soit
j(n) = iE i(n-1) pij
Qui exprime que la probabilit de se trouver dans ltat j
la nime tape du processus nest rien dautre que la
probabilit de passer dun certain tat i ltat j
pondre par la probabilit dtre dans ltat i ltape
prcdente. Cette relation scrit sous forme matricielle
: (n) = (n-1) P
(n) = (0) Pn
0
n
(0)
(n)
36

Formule des probabilits totales :
Retour sur notre exemple :
37

volution globale du processus Xn :
Soit pij(m) la probabilit de transition de i vers j en m
tapes :
pij(m) P[Xn+m=j | Xn=i]

j(n) = P[Xn =j] = iE P[Xn =j|X0 =i] P[X0 =i]= iE i(0) pij(n)
38
Le retour de la souris (3)

Imaginons que la souris soit initialement dans la pice 2,
Quelle est la probabilit qu'elle y soit nouveau aprs 4
dplacements ?
Pour rpondre la question il faut donc calculer 2(4)
sachant que 2(0) =1
39
Distribution du temps de sjour

Distribution du temps de sjour (proprit) :
Le temps (en nombre d'tapes) pass dans un tat d'une
chane de Markov en temps discret a une distribution
gomtrique (de paramtre pjj, pour tout tat j)
40
Classification des tats d'une CMTD

irrductible
Dfinition : une CMTD est dite irrductible ssi de tout
tat i on peut atteindre tout tat j (en un nombre fini
d'tapes) :
Remarque : tout chane non

irrductible possde au moins une sous-chane
absorbante
41

priodique
Dfinition : un tat j est priodique si on peut y revenir
qu'aprs un nombre d'tapes multiple de k > 1
k>1 tel que pij(m) = 0 pour m non multiple de k
Remarque : la priode de l'tat j est alors le plus grand
entier k vrifiant cette proprit
Dfinition : la priode d'une CMTD est gale au PGCD de
la priode de chacun de ses tats. Une CMTD est dite
priodique si sa priode est suprieure 1 (et
apriodique si sa priode est gale 1)
Proprit : la priode d'une CMTD est gale au PGCD de
la longueur de tous les circuits du graphe associ
42

transitoire (Dfinitions)
Soit fjj(n) la probabilit que le premier retour en j ait lieu
n tapes aprs l'avoir quitt.
Soit fjj, la probabilit de revenir
en j aprs l'avoir quitt :
Soit Mj, le temps moyen
de retour en j :
Dfinition : un tat j est dit :
Transitoire si fjj < 1
Rcurrent si fjj = 1 ; de plus il est :
Rcurrent nul si le temps moyen de retour est infini : Mj =
Rcurrent non nul si le temps moyen de retour est fini : Mj <
43

transitoire (Dfinitions)
Un Etat est dit Ergodique sil est apriodique et
rcurrent non nul
Proprit : tous les tats d'une CMTD
irrductible sont tous de mme nature
44
45
Classification d'une CMTD (exemple)
tat 1 : TRANSITOIRE car f 11= f 11(2) = 1/4 < 1

tat 6 : RECURRENT NON NUL car f66= f66(2) = 1 et M6 = 2 <
tat 3 : RECURRENT NON NUL car f33 = 1 et M3 = 3.5
46
Les paramtres de performances...

fij(n) : proba(i j en exactement n tapes) (sans passer par ltat j
de faon intermdiaire)
et
pour n 2
fij : proba(i j en n, quelconque, d'tapes)
Soit Rij le nombre moyen de passages par l'tat j sachant que l'on
vient de l'tat i
47
48
49
La trappe de la souris (4)

Imaginons que la souris soit initialement dans la pice 2!
Combien de fois passera-t-elle en moyenne par la pice 3
avant de sortir ou de tomber dfinitivement dans la pice 5 ?
ie : on cherche le nombre moyen de passages en 3 !
Rij = nbre moyen de passages par l'tat j sachant que l'on vient
de l'tat i
50
Sauvons la souris (5)

Imaginons que la souris soit initialement dans la pice 2 !
Quelle est la probabilit que la souris sorte un jour ?
SORTIE = tat 6 Calculons f26
f26=p21 f16 + p24 f46 =

51
La souris tourne en rond (6)

Imaginons que la souris soit initialement dans la pice 2!
Combien en moyenne fera-t-elle de dplacements pour
revenir dans la pice 2 ?
Rponse : M2 = temps moyen de retour en 2 !
52
Rgime permanent
tude d'un tat stationnaire (s'il existe !!!)
i.e. : on s'intresse la limite lorsque n du
vecteur des probabilits (n)
Cette limite existe t'elle ?
Comment la calculer (si oui) ?
53
Comment analyser ?
Facile ! Il suffit d'tudier
Mais comment faire pour calculer Pn ?
Diagonalisation de P en : P = U-1 D U o D est la
matrice diagonale des valeurs propres, U base
(inversible)
D'o : Pn = U-1 Dn U
L'existence du rgime stationnaire se rsume
l'existence et au calcul ventuel de :
54
Comment analyser (plus simple)

En rgime permanent, il faut toujours rsoudre
(n) = (0) P(n)
Mais quelles sont les conditions pour que a
marche ?
Chane irrductible
CMTD apriodique
tats rcurrents non nuls
55
Rgime permanent : Proprit

Dans une CMTD irrductible et apriodique le
vecteur des probabilits limites j = limn j(n)
existe toujours et est indpendant de la
distribution des probabilits initiales (0)
Soit tous les tats sont transitoires ou rcurrents nuls
et j = 0 pour tout j E
Soit tous les tats sont rcurrents non nuls et les j
sont solutions du systme :
56
Quelques remarques
j pji = nbre moyen de transitions de j vers i par unit de

temps, donc la somme () est le flux moyen de sortie de
l'tat j
Idem pour i pij qui le flux moyen d'entre dans l'tat j
Donc en rgime permanent, on peut crire :
Pour tout tat j, flux sortant de j = flux entrant dans j
Si les probabilits stationnaires existent, alors :
57
CMTC
La version continue des Chanes de Markov

Soit un processus stochastique
{X(t)}t 0 temps continu et
espace d'tats discret E
E peut-tre fini ou infini
(mais dnombrable)
59
Dfinition de {Xt}t0
Dfinition
{Xt}t 0 est une CMTC ssi :
P[X(tn)=j |X(tn-1)=in-1, X(tn-2)=in-2, ... , X(t0)=i0]
= P[X(tn)=j | X(tn-1)=in-1] n et t0 < t1 < < tn
i.e. C'est un processus sans mmoire !
Restriction
On ne considre que les CMTC homogne, c'est--dire
celles dont les probabilits pij sont indpendantes des
instants d'observations, soit :
pij (t) P[X(s+t) = j | X(s)=i] s 0

pij est la proba. de se trouver en j alors quon tait en i t
instants de temps plus tt
60
Caractrisations d'une CMTC

Dfinition :
Une CMTC est un processus stochastique espace d'tats discret
et temps continu tel que :
Le temps pass dans un tat i a une distribution exponentielle de taux i
Les transitions d'un tat i vers les autres tats sont probabilistes
ij est le taux de transition de ltat i vers ltat j
def
i = ij + ik
ij = i pij
ij
pij =
ij + ik
ik
pik =
ij + ik
def
ik = i pik
Le temps pass dans ltat i
est exponentiel de taux i.
lorsque lon quitte ltat i, on
se rend en j (resp. en k) avec
une proba. pij (resp. pik)
La transition de ltat i vers ltat

j (resp. k) est exponentielle de
taux ij (resp. ik )
61
Analyse des CMTC

CMTD Matrice de probabilits de transition P
CMTC Matrice Q =(qij), dite gnrateur
infinitsimal avec qij est llment de transition
de ltat i vers ltat j :
def
qij = ij
i j
def
qii = ij = i pij = i pij = i

j i
j i
j i
62
Analyse des CMTC

A une CMTC, on associe une matrice Q, appele gnrateur
infinitsimal tel que :
63
Rgime transitoire
Consiste dterminer le vecteur (t) des probabilits d'tat :
j(t) = P[X(t) = j], j E, tout instant du processus :
(t) = [j(t)]jE = [1(t), 2(t), ]
De la mme faon que pour une CMTD, ce vecteur des
probabilits dpend :
Du gnrateur infinitsimal Q
Du vecteur des probabilits d'tats initiales (0)
On montre que :
64
Analyse du rgime permanent d'une CMTC

Comme dans le cas discret :
limt (t) Existe t'elle ?
Si elle existe, peut-on la calculer ?
Rappel : pour une CMTD, la condition est d'tre

irrductible et apriodique !
Priodicit d'une CMTC ?...
Le fait que lon passe dans chaque tat un temps

exponentiel, donc alatoire, retire au processus
stochastique tout caractre priodique.
65
Existence des probabilits stationnaires

Proprit : Dans une CMTC irrductible, le vecteur des
probabilits limites j = limt j(t) existe toujours et est
indpendant de la distribution des probabilits initiales
(0).
Soit tous les tats sont transitoires ou rcurrents non
nuls et j = 0 pour tout j E
Soit tous les tats sont rcurrents non nuls et les j sont
l'unique solution du systme :
66
Chapitre :
Formalisme des Files

dattente
Ahmed EL KHADIMI
Formalisme des files d'attente

Introduction
File simple
Processus d'arrives
Temps de service
Structure et discipline de la file
Rseaux de files d'attente

Mono-classe
Multi-classe
Un exemple
68
Introduction
Modlisation du partage de ressources
Accs une ressource par des clients afin de
raliser une activit
Il peut se produire une attente pour accder une
ressource libre
Ressource disponible le client entre en service
69
File simple
Quest ce quune file dattente ?
Une file simple (ou station) est une entit constitue dune
file dattente (ou buffer) et dun ou plusieurs serveurs. Les
clients arrivent de lextrieur, patientent ventuellement dans
la file dattente, reoivent un service, puis quittent la station
Exemples :
salle dattente dun mdecin, guichet de la poste .
Page dautoroutes (dans ce cas, il y a N serveurs)
Accs concurrent un disque, un serveur, etc
70
File simple
Exemples de domaines dapplication :
Systmes
Informatiques
Rseaux de
communication
Clients
Ressource ou Serveur
Activit ou Service
Processus
Processeur
temps de traitement
demande d'E/S
disque dur
lecture ou criture
message
rseau
temps de transmission
de bout en bout
paquet
canal de transmission temps de transmission
Systmes de
Production
pice
machine
temps d'usinage
Guichet ONCF
usager
employ
rservation de billet
71
File simple
volution du nombre de clients dans une file
72
File simple
Caractrisation dune file dattente
Processus d'arrives des clients
Temps de service
Nombre de serveurs (cest le nombre de
guichets du page autoroutier)
Discipline de service, la plus connue tant
FIFO (First In First Out, Premier Arriv Premier
Servi)
73
Processus d'arrive
L'arrive des clients est dcrite l'aide d'un
processus stochastique de comptage {N(t)}t0.
Dfinition : Soit An la variable alatoire mesurant
l'instant d'arrive du nime client dans le systme :
def
A0 = 0 et
def
An = inf {t / N (t ) = n}
Soit Tn la variable alatoire mesurant le temps

sparant l'arrive du n-1ime client et celle du nime
client : Tn = An-An-1.
74
Processus d'arrive (suite)

Dfinition : Un processus de comptage {N(t)}t0 est
un processus de renouvellement ssi les variables
alatoires {Tn}n=1, 2, ... sont des variables
indpendantes et identiquement distribues
(i.i.d.). La loi T dcrivant le temps d'interarrive
suffit alors caractriser le processus de
renouvellement.
Remarque : La plupart du temps, l'arrive des
clients dans une file simple est suppose dcrite par
un processus de renouvellement.
Loi de Poisson [[(t)n/n!]Exp(-t)], est un processus
de renouvellement qui est tel que les interarrives
sont distribues selon une loi exponentielle
75
Temps de service
Dfinition : Soit Dn la variable alatoire mesurant l'instant de dpart du
nime client du systme. Soit Xn la variable alatoire mesurant le temps
de service du nime client (temps sparant le dbut de la fin du service)
X1
X2
D1
X3
D2
X4
D3
D4
Serveur inoccup
Un instant de dpart correspond tjs une fin de service, mais ne

correspond pas forcment un dbut de service. Il se peut en effet
quun client qui quitte la station laisse celle-ci vide. Le serveur est
inoccup jusqu larrive du prochain client
On considrera des stations dans les temps de service Xn sont
indpendantes et identiquement distribues i.i.d. la distribution de
temps de service la plus simple tudier est la distribution
exponentielle
76
Structure et discipline de la file :

Nombre de Serveurs
Possibilits d'avoir des serveurs en parallle :

Un client arrive
Soit il y a un serveur de libre, le client entre instantanment en
service
Soit tous les serveurs sont occups, le client se place dans le buffer en
attente de libration d'un des serveurs
Station multiserveur ? Tous les serveurs ont le mme

service et sont indpendants
Station IS : Infinite Servers ? Le nombre de serveurs est
infini
77

Capacit de la file
Capacit de la file accueillir des clients en
attente de service : finie ou infinie.
K = capacit de la file (incluant le ou les clients
en service)
K=+, capacit illimite
K=B<+, capacit nie perte de client
78

Discipline de service
Dtermine l'ordre dans lequel les clients sont rangs dans la file
et y sont retirs.
FIFO(First In First Out) ou FCFS (First Come First Served) ou PAPS (Premier
Arriv Premier Servi)
LIFO (Last In First Out) ou LCFS (Last Come First Served) ou DAPS (Dernier
Arriv Premier Servi)
RANDOM (Alatoire)
Round-Robin (cyclique). Tous les clients de la FA entrent en service tour
de rle, effectuent un quantum Q de leur temps de service et sont replacs
dans la file, jusqu ce que leur service soit totalement accompli (Sys Infor)
Processor Sharing (PS). Cest le cas limite de la distribution RR lorsque le
quantum de temps Q 0
79
Notation de Kendall
Normalisation de l'criture d'une file d'attente T/X/C/K/m/Z
T : distribution d'interarrive
X : distribution de service
C : nombre de serveurs
K : capacit de la file
m : population des usagers (peu dintrt !) le nbre max dusagers
susceptibles darriver ds la file
Z : discipline de service
T et X sont donns par :
M : loi exponentielle
G : loi gnrale
GI : lois gnrales indpendantes
D : loi constante (dterministe)
Ek : loi de Erlang-k
Hk : loi hyperexponentielle-k
Ck : loi de Cox-k
PHk : loi de type phase k tages
Par dfaut : K=+ m=+ et Z=FIFO

80
Notion de classes de clients

Existence potentielle de plusieurs classes de
clients :
Processus d'arrives diffrents
Temps de service diffrents
Ordonnancement dans la file d'attente en fonction
de la classe
Comment les diffrentes classes s'ordonnent

dans la file ?
PR (Preemption) ( priorit)
HOL (Hold On Line)
81
Rseaux de files d'attente

Dfinition : un rseau de files d'attente est un
ensemble de files simples (stations)
interconnectes
Caractrisation ?
Caractrisation de chaque station
Processus d'arrives des clients
Routage des clients entre les stations
Diffrents types de rseaux de FA:

Rseaux ouverts
Rseaux ferms
Rseaux multiclasses
82
Un exemple de rseau de FA
Modle d'un nud de commutation
83
Chapitre :
Les Files dattente simples
Ahmed EL KHADIMI
84
Paramtres de Performances
Analyse oprationnelle
En rgime transitoire
Dbit moyen d'entre

Dbit moyen de sortie
Nombre moyen de clients
Temps de sjour
Taux d'utilisation (file d'attente)
En rgime permanent
Condition de stabilit
Loi de Little
85
Analyse oprationnelle
Analyse oprationnelle = ralisation particulire

de l'volution de ce systme pendant une
priode donne
Permet de caractriser le systme
On tudie donc le comportement du systme
entre t=0 et t=T
86
Paramtres de l'analyse oprationnelle
Ak: instant d'arrive du kime client

Dk: instant de dpart du kime client
Rk: temps de sjour du kime client dans le systme : Rk=Dk-Ak
T: temps total d'observation
T(n,T): temps total pendant lequel le systme contient n clients
P(n,T): proportion de temps pendant lequel
le systme contient n clients
A(T): nombre de clients arrivant dans le systme pendant [0,T]

D(T): nombre de clients quittant le systme pendant [0,T]
87
Paramtres de performances
Dbit moyen d'entre Xe
Nombre moyen de clients arrivs dans le systme par
unit de temps
Dbit moyen de sortie Xs

Nombre moyen de clients ayant quitt le systme par
unit de temps
88
Nombre moyen de clients Q
Moyenne temporelle de N(t)
Temps moyen de sjour R

Moyenne (arithmtique) des temps de sjour des
clients arrivs dans le systme pendant la dure de
l'observation
89
Paramtres de performances pour

une file simple
Xe, Xs, Q, R et....

Taux d'utilisation du serveur U
Proportion du temps pendant laquelle le serveur est
occup
90
Paramtres de performances pour un

rseau de file dattente
On peut considrer plusieurs niveaux :
Les paramtres de performances du rseau tout
entier
Les paramtres de performances pour chacune des
stations
Dans le cas multiclasse :
On peut s'intresser aux paramtres de performances
pour chaque classe
... ou toutes classes confondues
91
Paramtres de performances en
rgime permanent
On s'intresse l'existence et aux valeurs
(ventuelles) des limites lorsque T --> linfini
92
Stabilit
Dfinition : Un systme est stable ssi le dbit
moyen asymptotique de sortie des clients du
systme est gal au dbit moyen d'entre des
clients dans le systme
=1
i.e : le nbre total de clients arrivs dans le
systme pendant lintervalle [0,T], A(T), ne doit
pas crotre plus rapidement que le nbre total de
clients ayant quitt le systme, D(T) qd T tend
vers linfini
93
Stabilit d'une file d'attente

Temps moyen dinterarrives ta = 1/
Temps moyen de service ts = 1/
est le taux moyen darrive des clients dans la
file et est le taux moyen de service du serveur
Une file d'attente sera considre comme stable
ds que :
taux d'arrives < taux de service
i.e. il ne faut pas qu'il arrive, en moyenne, plus
de clients dans la file que ce quelle est capable
de traiter
94
Stabilit d'un rseau de FA ouvert

Proprit :
Un rseau de files d'attente monoclasse
comportant M stations (chaque station i ayant
un taux de service i, Ci serveurs et tant
soumise un taux d'arrives i d'arrive des
clients) est stable ssi:
i < Ci. i pour tout i=1, ..., M
95
Loi de Little
Ne concerne que le rgime permanent
Aucune hypothse sur la bote noire

Aucune hypothse sur les variables alatoires
qui caractrisent le systme
96
Loi de Little
Proprit : Le nombre moyen de clients Q, le
temps moyen de rponse R et le dbit moyen X
d'un systme stable en rgime permanent se
relient de la faon suivante :
Q = R.X
Pseudo-preuve
Un client arrivant trouve en moyenne Q clients
devant lui
Ce client partant laisse derrire lui R.X clients
Donc dans l'tat stationnaire : Q=R.X
97
Importance de la Loi de Little

Permet de dduire l'une des trois quantits (Q,
R, X) en fonction de la connaissance des deux
autres
Peut s'appliquer :
Sur une file d'attente (buffer+serveur)
Sur la file d'attente (le buffer seulement)
Sur le serveur de la file
...
98
Little sur file d'attente + serveur
Little relation entre nombre moyen dans la

file (en attente ou en service) et le temps moyen
total de sjour d'un client dans la file (temps
d'attente + temps de service) :
Q = R.X = R.
99
Little sur file d'attente
Ici bote noire = buffer

Little relation entre le nombre moyen de
clients en attente Qw et le temps moyen
d'attente d'un client avant service W :
Qw = W.X = W
100
Little sur serveur de la file
Maintenant bote noire = serveur

Little relation entre le nombre moyen de
clients en service Qs et le temps moyen de
sjour S d'un client dans le serveur :
Qs = S.X = S.
101
tude de la file M/M/1
Dfinition
CMTC associe
Stabilit
Analyse du rgime permanent
Calcul des paramtres de performances
Dbit X
102
Dfinition de la M/M/1
M/M/1 ?
Processus d'arrive des clients dans la file : Poisson ()

Temps de service d'un client : distribution exponentielle ()
File de capacit infinie
Serveur unique
Discipline de service de la file : FIFO
103
CMTC associe la M/M/1

Description : processus {n(t)}t0 : stochastique,
espace d'tats discrets, temps continu, sans
mmoire
c'est bien une CMTC !
Graphe associ
104
Stabilit d'une M/M/1 ?

Construction de la CMTD incluse avec :
105
Stabilit d'une M/M/1 ?

tude de la CMTD incluse :
p>q, ie >, tous les tats sont transitoires
p=q, ie = , tous les tats sont rcurrents nuls
p<q, ie < , tous les tats sont rcurrents non nuls
Donc :
tats transitoires ou rcurrents nuls n,
p(n)=0
< tats rcurrents non nuls n, p(n)0
106
Analyse du rgime permanent de la M/M/1

Analyse stationnaire d'une file stable (<)
p(n) = probabilit stationnaire d'tre dans
l'tat n
Comment calculer ?
Systme d'quations linaires
quations de balances locales
quations aux frontires
107
Rgime permanent
1. Systme d'quations linaires
Rappel : avec les bonnes conditions, p(n) est solution de
:
pQ = 0 et
p (n ) = 1
n=0
o p=[ p(0),p(1),] est le vecteur des probabilits

stationnaires o Q est le gnrateur infinitsimal de la
CMTC :
108
Rgime permanent
2. Balances locales
quations d'tats l'quilibre :
Pour tout tat j, flux sortant de j = flux entrant dans j
p (0 ) = p (1)
p (1)( + ) = p (0 ) + p (2 )
M
p (n )( + ) = p (n 1) + p (n 1) , n 1
Quelques lignes de calcul plus loin balances locales

p(0 ) = p (1)
p(1) = p (2 )
M
p(n ) = p(n + 1) , n 0
109
Rgime permanent
3. quations aux frontires
Dcomposition en deux sous-systmes E1 et E2 dont on
galise les flux
110
Rgime permanent de la M/M/1

En notant :
on a alors
p (n ) = p (n 1), n 1
p (n ) = n p(0 ), n 0
Calcul de la constante de normalisation :

1
p
(
0
)
=
= 1
Soit :
p(n) = 1
n =0
n =0
On obtient alors :
p(n ) = (1 ) , n 0
n
111
Dbit X
Dbit X ?
Un service est effectu avec un taux si le systme
contient au moins un client :
X = Pr oba{file non vide} = p(n ) = [1 p(0 )] = =

n =1
=1
112
Taux d'utilisation ? C'est la probabilit pour que le
serveur de la file soit occup :
U = p(n ) = [1 p(0 )] = =
n =1
113
Nombre moyen de clients = esprance du nombre de
clients :
114
Utilisation de la loi de Little :
Se qui s'crit :
115
Une file avec blocage :

la file M/M/1/K
C'est une file identique la file M/M/1 mais la capacit
de la file d'attente est finie.
Si un client arrive (suivant une loi de Poisson de taux ) et
qu'il y a dj K clients prsents dans le systme, il est perdu !
116
CMTC associe la file M/M/1/K

Description : processus {n(t)}t0 reprsentant le nombre de
clients dans le systme : stochastique, espace d'tats discrets (et
fini), temps continu, sans mmoire
Graphe associ :
117
Stabilit d'une file M/M/1/K

CMTC : irrductible et, comme l'espace d'tat
est fini, tous les tats sont rcurrents non nuls
Il n'y a donc pas de condition de stabilit pour la file
M/M/1/K
118
Analyse du rgime permanent de la M/M/1/K

Soit p(n) la probabilit d'tre dans l'tat n.
119
Dbit X
Calcul du dbit moyen

Mesurer le taux de dpart des clients en sortie du
serveur : Xs
Mesurant le taux d'arrive effectif des clients
accepts dans le systme : Xe
120
Dbit X (fin)
Xs = ds l'instant o la file n'est pas vide :
Xe = ds l'instant qu'un client arrive lorsque la

file n'est pas pleine :
Finalement, comme =/ : Xe=Xs=X

121
Dans le cas d'une file capacit limite, le taux

d'utilisation n'est plus gal !
Nous avons toujours : U = X/ mais ici X
122
123
Pour le temps de sjour, on peut sintresser 2
quantits distinctes :
Temps moyen de sjour d'un client arrivant dans le
systme RT
Temps moyen de sjour d'un client effectivement
admis dans la file d'attente R.
Calcul ? Application de la loi de Little !
124
Temps moyen de sjour R (suite)
En ne considrant que les clients effectivement admis :
En considrant tous les clients, y compris les rejets :
Soit la proportion de clients admis dans le systme :
Finalement :
125
tude de la M/M/
Dfinition
CMTC associe
Stabilit
Analyse du rgime permanent
Calcul des paramtres de performances
Dbit X
126
tude de la M/M/
M/M/ ?
Processus d'arrive des clients dans la file : Poisson ()
Temps de service d'un client : distribution exponentielle ()
Nombre illimit de serveurs identiques et indpendants les
uns des autres
127
CMTC associe la M/M/

A nouveau, description d'tat la plus simple : {n(t)}t0
stochastique, espace d'tats discrets, temps continu, sans
mmoire
Graphe associ
128
Explication des taux n

?!
Lorsqu'il y a n clients dans la file, le taux de transition de l'tat n
vers l'tat n-1 est : n
?
P = proba(n n-1 en dt) ?
Un des n clients termine son service (le 1er , le 2me , ..., le nme)
Aucun client n'arrive pendant dt !
Or :
proba(client termine son service, expo()) = dt+o(dt)
proba(client ne termine pas son service, expo()) = 1- dt+o(dt)
proba(aucun client n'arrive, poisson()) = 1- dt+o(dt)
n
n 1
P = pn n 1 (dt ) = (dt + o(dt ))(1 dt + o(dt )) (1 dt + o(dt ))

j =1
Dveloppement limit du 1er ordre : P = p

n
n 1
(dt ) = ndt + o(dt )

129
Stabilit de la M/M/
Rappel : condition de stabilit d'une file M/M/1 ?
le nombre moyen de client arrivant dans la file par unit de
temps doit tre infrieur la capacit de traitement de la file
' Serveur infini ?
Tout nouveau client se prsentant l'entre de la file est
immdiatement trait
Une le M/M/ est toujours stable !
130
Analyse du rgime permanent M/M/

131
Paramtres de performances de la M/M/

Dbit X
Le service s'effectue avec un taux n dans
chaque tat lorsque le systme contient n
clients :
132

133

134

Modélisation Et Dimensionnement Des Réseaux

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modélisation Et Dimensionnement Des Réseaux

Cargado por

Copyright:

Formatos disponibles

Institut National des Postes et Tlcommunications

La matrise de ces systmes complexes ncessite :

Le trafic entrant est gnr par les utilisateurs du rseau

Rappels sur la thorie des Probabilits

le processus de Poisson est un processus

Espace d'tats discret/continu

Ex/Ty : Quelques exemples

EC/TD : Temps moyen de

ED/TC : Nombre de messages

ED/TD : Nombre dappels

Les Chanes de Markov Temps

P[Xn=j| Xn-1=in-1, Xn-2=in-2, ... , X0=i0] = P[Xn=j| Xn-1=in-1]

rq : on vrifie toujours : jE pij = 1

Exemple de la souris (1)

On suppose que la souris ne garde

Exemple de la souris (1)

1 tat pour modliser la sortie

Exemple de la souris (1)

Exemple de la souris (1)

Exemple de la souris (1)

Analyse d'une CMTD

Rgime transitoire d'une CMTD

Le dpart de la souris (2)

Il sagit de dcrire lvolution du processus depuis ltat

Rgime transitoire (...)

Rgime transitoire (...)

Retour sur notre exemple :

Rgime transitoire (...)

pij(m) P[Xn+m=j | Xn=i]

Le retour de la souris (3)

Distribution du temps de sjour

Classification des tats d'une CMTD

Remarque : tout chane non

Classification des tats d'une CMTD

Classification des tats d'une CMTD

Classification des tats d'une CMTD

Classification des tats d'une CMTD

Classification d'une CMTD (exemple)

tat 1 : TRANSITOIRE car f 11= f 11(2) = 1/4 < 1

Les paramtres de performances...

Exemple de la souris (1)

Exemple de la souris (1)

La trappe de la souris (4)

Sauvons la souris (5)

La souris tourne en rond (6)

Comment analyser (plus simple)

Rgime permanent : Proprit

j pji = nbre moyen de transitions de j vers i par unit de

La version continue des Chanes de Markov

pij (t) P[X(s+t) = j | X(s)=i] s 0

Caractrisations d'une CMTC

La transition de ltat i vers ltat

Analyse des CMTC

qii = ij = i pij = i pij = i

Analyse des CMTC

Analyse du rgime permanent d'une CMTC

Rappel : pour une CMTD, la condition est d'tre

Le fait que lon passe dans chaque tat un temps

Existence des probabilits stationnaires

Formalisme des Files

Formalisme des files d'attente

Rseaux de files d'attente

canal de transmission temps de transmission