Perf Res

Cours Performances des réseaux
Mouad Ben Mamoun

Master Informatique Appliquée Offshoring (IAO)
Département Informatique, Université Mohammed V de Rabat
email:mouad.benmamoun@gmail.com
Année universitaire 2018-2019
1
Contenu du module
• Partie 1 : Evaluation de performances

– Simulation à événements discrets
– Chaı̂nes de Markov
– Files d’attentes
• Partie 2 : Ingénierie du trafic
– Notions de trafic
– Disciplines d’ordonnacement du trafic
– Mécanismes de contrôle de trafic et contrôle de congestion
2
Evaluation de performances
• Objectif: Calculer les indices de performances d’un système

informatique. Par exemple: débit, temps de réponse, taux de
perte, taux d’utilisation . . .
• Quand : en phase de conception et d’exploitation pour :
– Comparer différentes alternatives (architectures, algorithmes de
routage, ...)
– Dimensionner le système, càd, déterminer le nombre et la taille
des composants pour répondre aux objectifs fixés
– Améliorer les performances d’un système existant
Les systèmes étant coûteux, il faut prédire leurs performances

avant de les construire ou de les modifier
3
Comment évaluer les performances d’un système?
Les techniques utilisées pour l’évaluation de performances sont :

• Les méthodes analytiques : on modélise le système grâce à un
formalisme mathématique (réseaux de files d’attentes, chaı̂nes de
Markov, . . . ) et on calcule les indices de performances par des
formules analytiques ou des méthodes numériques
• La simulation : on reproduit l’évolution du système par un
programme informatique et on estime les indices de performances
à partir des résultats observés
• Les mesures : sur le système réel ou sur des prototypes
4
Techniques d’évaluation de performances: avantages et inconvénients (1)
• Les méthodes analytiques :

- peu de modèles qu’on sait résoudre simplement de façon exacte,
complexité numérique élevée pour les modèles Markoviens
+ résultats sans incertitude, résultats paramétriques
+ les formules analytiques sont peu coûteuse en temps de calcul
• La simulation :
- une simulation n’est qu’un déroulement possible, les résultats
(estimations) sont fournis avec une incertitude statistique
- les temps d’exécution peuvent être très importants
+ on peut simuler des modèles complexes, plus réalistes que ceux
que l’on peut résoudre analytiquement
5
Techniques d’évaluation de performances: avantages et inconvénients (2)
• Les mesures :
- technique très coûteuse et n’est pas toujours possible
+ résultats plus crédibles
+ peuvent servir comme trace pour des simulations ou pour
valider des modèles analytiques
Remarque: il est intéressant d’utiliser parfois plusieurs techniques pour

vérifier et valider les résultats
6
Terminologie
• Variables d’état : ensemble de variables décrivant l’état du système

à un instant donné (ex. nombre de clients par file d’attente,
nombre de connexions à un site Web, . . . )
• Espace d’état : ensemble des valeurs que peuvent prendre les
variables d’état
• Événement : un changement dans l’état du système (ex. arrivée ou
départs de clients)
• Système à événements discrets : système à espace d’états discret
(le temps peut être continu mais les événements occurrent de façon discontinu
dans le temps à des instants aléatoires en général et provoquent des
changements discrets des variables d’état)
7
Caractérisation stochastique des systèmes?
• En général, on ne connaı̂t pas avec certitude les caractéristiques

des systèmes étudiés, par exemple:
– instants d’arrivées des connexions sur un site Web
– durées des connexions,. . .
=⇒ besoin de décrire l’aléatoire
• caractériser l’aléatoire est possible avec des distributions de
probabilités, mais il faut tester l’adéquation à la réalité
• Dans ce cours, on se restreint aux modèles stochastiques pour des
systèmes à événements discrets : modèles de systèmes
informatiques et de réseaux
8
Contenu de la partie Evaluation de performances
• Bref rappel de probabilités et statistiques

• Simulation à événements discrets (structure d’un simulateur à
événements discrets, gestion de l’échéancier, outils de simulation,
Initiation à l’outil de simulation JMT)
• Chaı̂nes de Markov (temps discret, temps continu, exemples
d’utilisation,. . . )
• Files d’attentes (files simples, modèles d’Erlang, réseaux de
Jackson, . . . )
9
Bibliographie
• Raj Jain, ”The Art of Computer Systems Performance Analysis”,

John Wiley & Sons, 1991
• Bruno Baynat, ”Théorie des Files d’Attente”, Hermes-Lavoisier,
2000
• Georges Fiche, Gérard Hébuterne, ”Trafic et performances des
réseaux des télécoms”, Hermes-Lavoisier, 2003
• William J. Stewart, ”Introdution to the Numerical Solution of
Markov Chains”, Princeton University Press, 1994
• Bloch, Greiner, Meer, Trivedi, ”Queueing Networks and Markov
Chains, Modeling and Performance Evaluation with Computer
Science Applications”, John Wiley & Sons, 1998
10
Rappel de probabilités : exercice
La fonction de densité de la loi exponentielle de paramètre λ(λ > 0)

est :
fEXP(λ) (x) = λe−λx , x > 0
1. Calculer la moyenne, la variance et la fonction de répartition de la
loi exponentielle.
2. Montrer la propriété “sans mémoire” de la loi exponentielle :
P rob(X ≤ x + t|X > x) = P rob(X ≤ t)
11
Simulation à Evénements Discrets
• Systèmes considérés (Systèmes à Evénements Discrets) :

– les événements e1 , e2 , . . . surviennent à des instants t1 , t2 , . . .
– l’état du système change de façon discrète aux instants ti
– l’état du système ne change pas entre deux événements
consécutifs
=⇒ il n’est pas utile de considérer les périodes inter-événements
• Principe: une simulation dirigée par les événements où on saute
d’un événement au suivant et on note les changements d’états
correspondants (mise à jour des variables d’états)
• Réalisation: nécessite un ensemble de tâches qui sont communes à
tous les simulateurs à événements discrets indépendemment du
système étudié
12
Tâches d’un simulateur à événements discrets
• Gestion d’un échéancier d’événements : maintien d’une liste

ordonnée d’événements futurs en perpétuelle évolution
• Maintien d’une horloge de simulation : maintien d’une variable

globale représentant le temps simulé
• Génération de durées aléatoires : pour simuler le temps écoulé entre

deux événements (ex: entre deux arrivées successives)
• Mises à jour des variables d’états à l’exécution de chaque

événement
• Calculs statistiques : pour quantifier les indices de performances
(objectif de la simulation)
• Trace de simulation : pour débugger le programme de simulation
13
L’échéancier
• L’échéancier contient l’ensemble d’événements futurs. Chaque

événement est représenté par : sa date d’occurrence, son type, un
pointeur vers le code à exécuter à cette date
• Deux opérations fréquentes sur l’échéancier :
– Insérer un nouveau événement
– Chercher et ôter l’événement de plus petite date
• Le nombre d’événements futurs peut être très important à un
instant donné =⇒ nécessité d’optimiser la gestion de l’échéancier
• Plusieurs structures de données possibles pour l’échéancier :
tableau, liste chaı̂née simple ou double, Arbre, . . .
• Le choix de la structure de données affecte le temps processeur
nécessaire pour l’insertion et l’extraction et déterminera l’efficacité
du simulateur
14
Algorithme général d’une simulation
1 Initialisations (du temps de simulation, des variables d’état et de

l’échéancier avec un premier événement)
2 TantQue (Echéancier non vide et TempsSimul < TMAX)

2.1 trouver l’événement Ev de plus petite date
2.2 TempsSimul= Ev.date
2.3 TraiterEvénement(Ev) (peut entraı̂ner l’ajout ou la suppression
d’événements de l’échéancier)
3 Fin de Simulation (Affichage des résultats statistiques)
15
Exemple élémentaire : simuler une file M/M/1/B
• File d’attente de taille B

• Inter-Arrivées exponentielles (moyenne λ)
• Services exponentielles (moyenne µ)
• On veut estimer par simulation la distribution du nombre de clients
• Critère de fin de simulation : t = tmax
(t: temps courant de simulation, tmax : temps de fin de
simulation)
16
Pseudo Code
Event = record
date : real;
type : (Arrivées, Service);
end
Temps : un vecteur de réels de taille B + 1

AddEvent(date,type) : ajouter un événement
GetEvent(event) : extraire l’événement le plus proche
DelExp() : fonction de génération d’une durée aléatoire selon la loi
Exponentielle
17
Pseudo Code
1 Temps:=0; etat:=0; t:=0;

2 dt:=DelExp(λ);
3 AddEvent(t+dt, Arrivées)
4 while t < tmax do begin
4.1 GetEvent(e); ot:=t; t:=e.date;
4.2 Temps[etat]:=Temps[etat]+t-ot;
18
4.3 case e.type of
4.3.1 Service : begin
etat:=etat-1;
if etat> 0 then
AddEvent(t+DelExp(µ), Service);
end;
4.3.2 Arrivées : begin
if etat<B then
etat:=etat+1;
AddEvent(t+DelExp(λ), Arrivées);
if etat=1 then
AddEvent(t+DelExp(µ), Service);
end;
4.4 end;
19
Plan d’une étude par simulation
1. Définir un modèle pour le système

2. Ecrire le simulateur (implémenter le modèle)
3. Tester le simulateur
4. Choix des paramètres, Plan d’expériences
5. Analyse des résultats (éventuellement, recommencer en 4, en 2 ou
en 1...)
20
Ecrire un simulateur
Plusieurs possibilités :
• Langage usuel : C, C++, Java, . . .
+ disponibilité, familiarité avec le langage, efficacité et flexibilité
du code
- temps de développement très long
• Outil de simulation spécialisé : NS, OPNET,QNAP, JMT, . . .
+ gain du temps dû à la gestion des tâches de la simulation à
événements discrets, interfaces graphiques, lisibilité du code,
plusieurs protocoles réseaux déjà codés dans certains outils
- non disponibilité, certains outils sont payants, temps
d’apprentissage de l’outil
21
Quelques outils de simulation
• NS (Network Simulator): logiciel libre, librairie riche de protocoles

réseaux, apprentissage long, description de modèles à l’aide de
scripts, C++ pour coder un nouveau protocole
• OPNET: logiciel commercial, librairie riche de protocoles réseaux
(plus que NS), apprentissage long, description de modèles à l’aide
d’une interface graphique, Proto-C pour coder (reconnaı̂t C/C++)
• QNAP (Queueing Network Analysis Package): logiciel
commercial, apprentissage facile, un langage de description de
réseaux de files d’attentes, solveurs pour certains modèles
mathématiques
• JMT (Java Modelling Tools): logiciel libre, même principe que
QNAP
22
Chaı̂nes de Markov
Une chaı̂ne est un processus à valeurs dans un espace d’états E

dénombrable
• On distingue :
– les Chaı̂nes de Markov en Temps Discret (CMTD) :
– les Chaı̂nes de Markov en Temps Continu (CMTC) :
• Définition : Un processus Xn est une CMTD ssi
P r(Xn+1 = j|Xn = in , Xn−1 = in−1 , . . . , X0 = i0 ) = P r(Xn+1 = j|Xn = in )
23
CMTD homogène
On note Pi,j (n) = P r(Xn+1 = j|Xn = i)

• Une chaı̂ne de Markov est homogène, si est seulement si, Pi,j (n)
est indépendant de la date n. Cette probalilité, noté Pi,j , est la
probabilité de transition de i vers j
• Par construction, la matrice P = (Pi,j )i,j∈E des probabilités de

transition vérifie :
– tous les éléments de P sont positifs ou nuls
P
– pour tout i, j∈E Pi,j = 1
24
Comportement transitoire et limite
• Soit π(n) le vecteur des probabilités P r(Xn = i)

• En appliquant le théorème de conditionnement
P
P r(Xn = j) = i∈E P r(Xn = j|Xn−1 = i)P r(Xn−1 = i) =
P
i∈E
Pi,j P r(Xn−1 = i)
• Ainsi, π(n) = π(n − 1)P et par récurrence π(n) = π(0)P n

• Si le processus est connu à l’instant 0, on peut calculer ainsi les
distributions transitoires aux instants n
• Pour étudier l’existence d’une limite au vecteur π(n) lorsque le
temps n tend vers l’infini, il faut établir une classification des états
et analyser la structure de la chaı̂ne
25
Classification des Etats
On définit pour chaque état quatre quantités liées aux dates de retour
à cet état.
• fjn est la probabilité de l’événement ”(le premier retour en j a lieu
en n transitions)”.
P∞
• fj est la probabilité de retour en j : fj = n=1 fjn
P∞
• Mj est le temps moyen de retour en j : Mj = n=1 n × fjn
• γ est le pgcd des valeurs de n telles que fjn est non nulle. γ est la
période de retour.
26
Transience ou Récurence
• Si fj < 1 l’état est transitoire.

• Si fj = 1 l’état est récurent :
– si Mj = ∞, l’état est récurent nul.
– si Mj < ∞, l’état est récurent non nul.
De plus,
– si γ > 1, l’état est périodique de période γ.
– si γ = 1, l’état est apériodique.
27
Structure de la chaı̂ne
• Définition : Un sous ensemble A d’états est fermé si et seulement si

il n’y a pas de transition entre cet ensemble et son complémentaire
• Définition : un état absorbant est un sous ensemble fermé ne
comprenant qu’un seul élément.
• Une chaı̂ne est irréductible si et seulement si il existe une suite de
transitions menant de i à j pour tous les états i et j.
28
Chaı̂nes irréductibles
• Théorème: Pour une chaı̂ne de Markov irréductible, tous les

états sont:
– tous transitoires
– ou tous récurents non nuls
– ou tous récurents nuls
De plus, si un état est périodique, alors tous les états le sont avec
la même période.
• Remarque: Pour une chaı̂ne finie irréductible, tous les états sont
récurents non nuls
29
Existence d’une limite
Soit une CMTD irréductible et apériodique, alors la distribution limite

π = limn→∞ π(n) existe et est indépendente de la distribution initiale
π(0) (on dit qu’elle est ergodique). De plus,
• soit tous les états sont transitoires ou récurents nuls et dans ce cas
π(j) = 0, pour tout j.
• soit tous les états sont récurents non nuls et π est solution unique
du système : 
 π = πP
(1)
 πe = 1
où e est un vecteur colonne dont tous les éléments sont 1. De plus,
on a π(j) = 1/Mj
30
Chaı̂nes de Markov en Temps Continu (CMTC)
diffèrent des CMTD par les transitions entre états qui peuvent occurer
à des instants arbitraires dans le temps
• Définition : Un processus X(t) est une CMTC ssi
P r(X(tn ) = en |X(tn−1 ) = en−1 , X(tn−2 ) = en−2 , . . . , X(t0 ) = e0 ) =
P r(X(tn ) = en |X(tn−1 ) = en−1 ), ∀n, ∀t0 < t1 < . . . < tn
• En pratique : il faut s’assurer que la description du système à un

instant t est suffisante pour prédire le futur
31
CMTC homogènes
• On s’intéresse uniquement aux CMTC homogènes :

P r(X(tn ) = j|X(tn−1 ) = i) ne dépend pas des instants tn−1 et tn
mais seulement de la durée tn − tn−1
• On définit alors la probabilité de transition de i à j durant le temps t
pi,j (t) = P r(X(t + s) = j|X(s) = i) = P r(X(t) = j|X(0) = i), ∀s ≥ 0
• Si π(t) est la distribution transitoire à l’instant t, càd, le vecteur

P
des probabilités P r(X(t) = i), alors πj (t) = i pi,j (t)πi (0)
• Soit P (t) la matrice des transitions pi,j (t), on a π(t) = π(0)P (t)
Remarque : Pour une CMTC homogène le temps passé dans un état a

une distribution exponentielle
32
Générateur d’une CTMC
• On définit qi,j le taux de transition instantané de i à j par :

pi,j (dt)
qi,j = limdt→0 , (i 6= j)
dt
P
• On pose qi,i = − {j, j6=i} qi,j
• La matrice Q = (qi,j ) est appelée générateur infinitésimal de la

CMTC X(t), elle vérifie les propriétés :
– tous les éléments non diagonaux de Q sont positifs ou nuls
P
– la somme de chaque ligne est nulle (∀i, j qi,j = 0)
• On peut montrer que P (t) = etQ et donc π(t) = π(0)etQ
33
Caractéristiques d’une CMTC
• La classification des états d’une CMTC en états transitoires,

récurrents nuls ou récurrents non nuls se fait de la même façon que
pour les CMTD
• La notion de périodicité n’existe pas pour les CMTC
• Une CMTC est dite irréductible si chaque état j est atteignable de
n’importe quel état i ∀i, j, i 6= j, ∃t : pi,j (t) > 0
• Si une CMTC est irréductible, alors tous les états sont de même
nature
Remarque : la méthode de la chaı̂ne incluse permet d’étudier les

caractéristiques d’une CMTC à partir de celles de la CMTD incluse
34
Existence d’une limite
Théorème: pour une CMTC irréductible la distribution limite

π = limt→∞ π(t) existe et est indépendante de la distribution initiale
π(0). De plus,
• soit tous les états sont transitoires ou récurrents nuls et dans ce
cas πj = 0, pour tout j.
• soit tous les états sont récurrents non nuls et π est l’unique solution
du système (dans ce cas on dit que la chaı̂ne est ergodique) :

 πQ = 0
 πe = 1
où e est un vecteur colonne dont tous les éléments sont égaux à 1
• La solution π de ce système est appelée distribution stationnaire
35
Equilibre stationnaire
• En développant l’équation πQ = 0 pour un i quelconque, on a:

X
πj qj,i = 0
j
P
• En séparant la somme et en utilisant le fait que k qi,k = 0 :
X X
πj qj,i = −πi qi,i = πi qi,k
j6=i k6=i
• On obtient ce qu’on appelle l’équation d’équilibre ou les équations

de balance globale :
P P
j6=i πj qj,i = k6=i πi qi,k
Interprétation : tout ce qui permet de rentrer dans l’état i (partie

gauche) est égal à tout ce qui permet de sortir de i (partie droite)
36
Lien entre CMTC et CMTD : Uniformisation
On peut transformer les matrices pour passer d’un problème en temps

continu en un problème en temps discret
• Soit Q un générateur tel que maxi (|qi,i |) < +∞
• Définissons Pλ = Id + λ1 Q
• Pour λ ≥ maxi (|qi,i |) on peut montrer que :
– Pλ est une matrice stochastique qui a la même distribution
stationnaire que Q
–
∞ n
X (λt)
P (t) = e−λt Pλ n , t ≥ 0
n=0
n!
37
Calcul de la distribution stationnaire
• Résolution analytique : pour certains modèles (voir plus loin)

• Résolution numérique : limitée par le problème de l’explosion de la
taille de l’espace d’états. Les principales méthodes de résolution
sont:
– Méthodes directes (variantes de l’élimination de Gauss)
– Méthodes itératives (puissances, Jacobi, Gauss-Seidel, . . . )
– Méthodes par décomposition (NCD, complément stochastique, ...)
• En cas de besoin, le livre de Stewart ”Introduction to the

Numerical Solution of Markov Chains” est très complet sur ce sujet
38
Un exemple de résolution analytique : Processus de Naissance et de Mort
• Un processus de Naissance et de Mort est une chaı̂ne de Markov

où pour tout état n, les seules transitions possibles amènent aux
états n − 1 et n + 1 (s’ils existent)
• La transition de l’état n à l’état n + 1 est une Naissance
• La transition de l’état n à l’état n − 1 est une Mort
• λn (resp. µn ) est le taux de Naissance (resp. de Mort) à l’état n
39
Equilibre stationnaire
pour n > 0 :
πn [µn + λn ] = πn−1 λn−1 + πn+1 µn+1
pour n = 0
π0 λ0 = π1 µ1
oubien
πn [µn 1{n>0} + λn ] = πn−1 λn−1 1{n>0} + πn+1 µn+1
40
Résolution
• L’équation à l’état 0 permet d’obtenir π1 en fonction de π0
π0 λ0 = π1 µ1
• Examinons maintenant l’équation à l’état 1
π1 [µ1 + λ1 ] = π0 λ0 + π2 µ2
• Après simplification : π1 λ1 = π2 µ2
• Par récurrence sur n :
πn λn = πn+1 µn+1
41
• Soit: Qn−1
λi
πn = π0 Qi=0
n
i=1 µi
• Si on peut normaliser:
∞ Qn−1
X λi
Qi=0
n <∞
n=1 i=1 µi
• alors,
" Qn−1 #−1
∞
X
i=0 λi
π0 = 1 + Qn
n=1 i=1 µi
42
Une application des chaı̂nes de Markov : Google
• Comment classer les pages Web pour trouver les plus pertinentes?
• L’outil qui permet de faire cela est l’algorithme PageRank
proposé par Sergy Brin and Larry Page dans leur article
”PageRank: Bringing order to the Web” en 1998
• En exploitant cet algorithme, Sergy Brin and Larry Page ont fondé
par la suite l’entreprise qui est derrière le célèbre moteur de
recherche Google
43
Fondamentaux de PageRank
• PageRank calcule une valeur numérique pour chaque page Web.

Cette valeur mesure la pertinence ou l’importance relative d’une
page dans un ensemble de pages Web
• une page Web est un texte caractérisé par des liens vers d’autres
pages
• ainsi chaque page est pointée par un ensemble de pages et pointe
elle même vers d’autres pages. Soit Γ(p) l’ensemble des pages qui
pointent sur p et d(q) le nombre de pages pointées par la page q
• si une page source pointe vers k pages destinations, alors chacune
reçoit 1/k de la pertinence de la source
• si P e(p) est la pertinence de la page p, alors :
P e(p) = q∈Γ(p) Pd(q)e(q)
P
44
Modélisation par une chaı̂ne de Markov
• l’espace d’états est constitué par l’ensemble des pages Web

{p1 , p2 , . . . , pN }
• les transitions entre états sont les liens entre les pages Web
• on peut alors définir la matrice de transitions H = Hi,j :
– Hi,j = 1/Oi si pi a un lien vers pj et 0 sinon
– Oi est le nombre de pages pointées par pi
• La chaı̂ne de Markov (Xn ) peut être vue comme une personne qui
surfe sur le Web de façon aléatoire et qui peut se trouver à l’étape
n à une des pages Web
• Les pages qui n’ont pas de liens vers d’autres pages sont supposées
pointer vers l’ensemble des pages Web. Ceci permet d’éviter les
états absorbants qui pourraient arrêter le processus du surf
45
• En utilisant ce qui précède, on a :
N
X P e(pi ) X
P e(pj ) = = P e(pi )Hi,j
Oi i=1
pi ∈Γ(pj )
• On reconnaı̂t la définition de la probabilité stationnaire d’une

chaı̂ne de Markov
• La pertinence d’une page pi est donc égale à la probabilité
stationnaire πi de cette page, qui peut être interprétée comme la
probabilité de se trouver dans cette page après plusieurs clics
• Rappel : πi = 1/µi où µi est le temps moyen de retour à la page pi
• une page avec une grande valeur πi doit être importante, car cela
implique que plusieurs pages pointent vers elle et font ainsi que la
personne qui surfe y retourne assez souvent
46
Remarques :
• En fait, la matrice de transition G utilisée dans PageRank (appelée

Matrice de Google) est légèrement différente : G = αH + (1 − α)U ,
où :
– H est la matrice de transition déjà définie
– U est une matrice dont toutes les valeurs sont égales à 1/N
– α est un paramètre entre 0 et 1, souvent choisi égale à 0.85
• L’idée de cette modification est que dans 85% des cas, on surfe
selon la structure des liens du Web et dans 15% des cas on choisit
une nouvelle page de façon uniforme dans l’ensemble des pages
• Pour plus de détails sur PageRank et Google l’information est
largement disponible sur le Web (par exemple sur Wikipedia)
47
Files d’attentes :Notation de Kendall
On décrit une file de façon compacte avec la notation A/S/n/B/N/Z:

A décrit le processus des arrivées (ou distribution d’inter-Arrivées).
Les symboles suivants sont souvent utilisés : (M : processus de
Poisson), (GI : lois générales indépendantes), (G: Général), (D:
Déterministe), (Ek : Erlang d’ordre k)
S décrit les distributions de service. On utilise les mêmes symboles
que pour les arrivées (M signifie services exponentiels)
n est le nombre de serveurs
B est la capacité du Buffer, par défaut la file est de taille infinie
N est le nombre de clients existant dans le système (source + file), par
défaut, la population est de taille infinie
Z discipline de service, par défaut c’est FIF0
48
Loi de Little
clients entrants clients sortants
SYSTEME
Hypothèse : nombre de clients entrants = nombre de clients sortants

• N est le nombre moyen de clients dans le système
• R est le temps moyen de réponse (temps d’attente + temps de
service)
• λ est le taux d’arrivée des clients dans le système
N = λR
ou
N = XR
49
Remarque : La loi de Little peut s’appliquer à n’importe quelle
partie d’un système
• Calcul du nombre moyen de clients en attente (file d’attente sans
le serveur) :
Nw = λW
où W est le temps moyen d’attente
• Calcul du nombre moyen de clients en service (serveur (s) sans la
file) :
Ns = λS
où S est le temps moyen de service
50
La file M/M/1
• Arrivées Poisson, Services Exponentiels, 1 Serveur, Capacité infinie

pour garder les clients
• On note µ le taux de service et λ le taux d’arrivées
• C’est un processus de Naissance et de Mort avec les taux de
transition : 
 λ = λ ∀i
i
 µi = µ ∀i
• Posons ρ = λ/µ (c’est la charge du système)
51
CMTC associée à une file M/M/1
• Soit Nt le nombre de clients dans la file à l’instant t

• Le processus (Nt )t≥0 à espace discret {0, 1, 2, . . .} et à temps
continu est une CMTC. Ceci est dû au fait que les inter-arrivées et
les services sont exponentielles (sans mémoire)
• Si on considère par exemple la file M/D/1, (Nt )t≥0 n’est pas une
chaine de Markov: il faut connaitre de plus le temps passé déjà
dans le service pour prédire un départ
 
−λ λ 0 ... ...
 
 µ −ν λ 0 ... 
 
• Générateur : Q = 
 0
 (ν = λ + µ)
 µ −ν λ 0  
 .
. . . .

.. .. .. .. ..
52
• Equation d’équilibre stationnaire :
πn [µ1{n>0} + λ] = πn−1 λ1{n>0} + πn+1 µ
• Ce qui donne :
πn = π0 ρn , ∀n ≥ 0
P∞ n
• Condition de normalisation : πe = 1 ⇐⇒ π0 n=0 ρ = 1. Ceci est
P∞ n
possible, ssi n=0 ρ < +∞ ⇐⇒ ρ < 1
• ρ < 1(⇐⇒ λ < µ) est appelée condition de stabilité du système.
Intuitivement, pour que le système soit stable, il ne faut pas qu’il
arrive plus de clients que ce qu’il est capable de traiter
• Sous la condition ρ < 1, les probabilités stationnaires sont données
par : πn = (1 − ρ)ρn , n ≥ 0
• Remarque : on peut montrer que la chaine est ergodique, ssi ρ < 1
53
Caractéristiques d’une M/M/1
• La moyenne du nombre de clients E(N ) dans la file:

P∞ ρ
E(N ) = n=1 nπn = 1−ρ
• La probabilité que la file soit vide est (1 − ρ)
• le taux d’utilisation de la file U vaut donc ρ
• Variance V (N ) du nombre de clients dans la file:
P∞ 2 ρ
2 2
V (N ) = E(N ) − (E(N )) = i=1 i πi − (E(N ))2 = (1−ρ)2
• Probabilité qu’il y ait au moins n clients dans la file: ρn

• La moyenne du nombre de clients en attente E(NW ) :
P∞ ρ2
E(NW ) = n=1 nπn+1 = 1−ρ
54
Caractéristiques temporelles
• En appliquant la formule de Little :

E(N ) 1 1
– le temps moyen de réponse est : E(R) = λ = µ−λ = µ(1−ρ)
E(NW ) ρ ρ
– le temps moyen d’attente est : E(W ) = λ = µ−λ = µ(1−ρ)
On peut remarquer que ces temps tendent vers l’infini quand λ

tend vers µ
• On peut montrer que :
– le temps de réponse a une distribution exponentielle, la fonction
de répartition est : FR (x) = P rob(R ≤ x) = 1 − e−x(µ−λ)
– le temps d’attente est distribué selon la fonction de répartition :
FW (x) = P rob(W ≤ x) = 1 − ρe−x(µ−λ)
55
100
1/(1-x)
90
80
70
60
50
40
30
20
10
0
0 0.2 0.4 0.6 0.8 1
x
Allure du temps moyen d’attente et de séjour en fonction de ρ
56
Non Linéarité
Le temps moyen de réponse (et d’attente) est fortement non linéaire :

• On considère une file dont la durée de service moyenne est 144s
• Le taux d’arrivée est 10 clients/h
• Que vaut le temps moyen de réponse ?
• le temps moyen de service est 0.04h
• Donc le taux de service est 25 clients/h et la charge vaut 0.4
• Et le temps de réponse vaut en seconde 144/(1 − 0.4) = 240s
• Le taux d’arrivées augmente de 2 clients/h
• La charge passe à 0.48 et le délai passe à 277s
• Augmenter les arrivées de 20% augmente le délai de 17%
57
• Le taux d’arrivée est maintenant de 20 clients/h
• Donc la charge vaut 0.8
• Et le temps de réponse vaut en seconde 720s
• Le taux d’arrivées augmente de 2 clients/h
• La charge passe à 0.88
• Le délai passe à 1200s
• Augmenter les arrivées de 10% augmente le délai de 67%
58
Compromis Usager/Opérateur
• Un opérateur souhaite que son système soit utilisé le plus possible

• donc ρ doit être grand
• Mais lorsque ρ s’approche de 1, le temps d’attente des usagers est
non borné
• Demandes antagonistes : compromis....
59
Dimensionnement
• Déterminer la capacité du service pour garantir un délai voulu

pour un trafic (taux d’arrivée) donné
• La capacité C est le débit du serveur = µ
• Soit R le temps de réponse souhaité
1
R=
C −λ
• Donc, C = λ + 1/R
• C ≥ λ assure la stabilité du système, le terme 1/R est le coût pour
obtenir les performances demandées sur un système simple donné
60
La file M/M/1
Caractéristiques Spatiales
Charge ρ = λ/µ
Probabilité d’avoir k clients dans la file πk = (1 − ρ)ρk
Utilisation U =ρ
ρ
Nombre moyen de clients dans la file E(N ) = (1−ρ)
ρ
Variance du nombre de clients dans la file V (N ) = (1−ρ)2
Probabilité d’avoir au moins n clients ρn
ρ2
Nombre moyen de clients en attente E(NW ) = (1−ρ)
ρ2 (1+ρ−ρ2 )
Variance du nombre de clients en attente V (NW ) = (1−ρ)2
61
Caractéristiques Temporelles
Répartition du temps de réponse F (x) = 1 − e−x(µ−λ)
1
Temps de réponse Moyen E(R) = (µ−λ)
1
Variance du temps de réponse V (R) = (µ−λ)2
−x(µ−λ)
Répartition du temps d’attente F (x) = 1 − ρe
ρ
Temps d’attente moyen E(W ) = µ−λ
ρ(2−ρ)
Variance du temps d’attente V (W ) = (µ−λ)2
62
Processus de Sortie d’une M/M/1
• On peut caractériser le processus de sortie d’une file M/M/1 :

• Théorème de Burke Le processus de sortie d’une M/M/1 de
taux d’arrivée λ et de taux de service µ est un processus de
Poisson de taux λ si λ < µ
• Utile dans les méthodes de décomposition de réseaux ouverts
63
Exemple M/M/1 : Requêtes dans un SGBD
• Arrivées selon un processus de Poisson de taux 30 req par seconde.

• Chaque requête prend 0.02 seconde de traitement
• Donc le taux de service est de 1/0.02 = 50 requetes par seconde
• Analyse par une M/M/1
• La charge est de 0.6
• Le serveur est vide pendant 40 pourcent du temps
• Le nombre moyen de requêtes est 1.5
• Donc le temps moyen de réponse est 0.05 seconde
64
Quelques modèles de files simples
• Modèles d’Erlang en télétrafic (délai, pertes)

• File M/M/m/B
• File M/M/∞
• Exemple d’application
65
Modèle d’Erlang pour l’attente d’un appel
• m canaux
• Arrivées Poisson, Services Exponentiels
• Capacité de stockage inifini
• On veut calculer la probabilité γ que les m canaux (serveurs)
soient occupés
• C’est aussi la probabilité qu’un client entrant soit contraint
d’attendre avant de commencer son service
Ce modèle correspond à une file M/M/m
66
La file M/M/m
• C’est un processus de Naissance et de Mort caractérisé par:


 λi = λ ∀i


µi = iµ si i < m


µi = mµ si i ≥ m

• La condition de stabilité est : λ < mµ (dans la suite, on suppose

que cette condition est vérifiée)
• On définit la charge par ρ = λ/(mµ)
P
• On cherche à calculer γ = i≥m π(i)
67
Formule d’Erlang C
En développant, l’équation déquilibre et la condition de normalisation,

(mρ)k
• la probabilité d’avoir k < m clients : π0 k!
mm ρk
• la probabilité d’avoir k ≥ m clients : π0 m!
• la probabilité d’attente (Formule d’Erlang C):
(mρ)m
γ= π0
m!(1 − ρ)
où la probabilité que le système soit vide est :
m−1
!−1
m i
(mρ) X (mρ)
π0 = 1+ +
m!(1 − ρ) i=1
i!
68
La file M/M/m
Caractéristiques Spatiales
Charge ρ = λ/(mµ)
−1
(mρ)m Pm−1 (mρ)i
Probabilité système vide π0 = 1 + m!(1−ρ)
+ i=1 i!
(mρ)k
Probabilité d’avoir k clients si k < m π0 k!
m k
sinon π0 mm!ρ
(mρ)m
Probabilité d’attente γ = m!(1−ρ) π0
ργ
Nombre moyen de clients E(N ) = mρ + 1−ρ
1+ρ−ργ
Variance du nombre de clients V (N ) = mρ + ργ(m + (1−ρ)2
)
Nombre moyen de
ργ
clients en attente E(NW ) = (1−ρ)
Variance du nombre
ργ(1+ρ−ργ)
de clients en attente V (NW ) = (1−ρ)2
69
La file M/M/m
Caractéristiques Temporelles
1 γ
Temps de réponse Moyen E(R) = µ
(1 + m(1−ρ)
)
1 γ(2−γ)
Variance du temps de réponse V (R) = µ 2 (1 + m2 (1−ρ)2
)
−xµm(1−ρ)
Répartition du temps d’attente F (x) = 1 − γe
γ
Temps d’attente moyen E(W ) = mµ(1−ρ)
γ(2−γ)
Variance du temps d’attente V (W ) = m µ2 (1−ρ)2
2
70
Modèle d’Erlang pour les blocages d’appel
• m canaux
• Arrivées Poisson, Service exponentiels
• Si il n’y a aucun canal libre, l’appel est perdu (blocage d’appel)
• On veut calculer la probabilité de blocage d’appels
• Ce modèle correspond à une file M/M/m/m
• Remarque : le système est toujours stable puisque le nombre
d’états est fini
71
• La file M/M/m/m est un processus de naissance et mort avec les
taux : 
 λi = λ ∀ i < m


λm = 0


µi = iµ ∀i

• Puisque l’espace d’états est fini, la chaine est ergodique et les

probabilités sationnaires sont données par :
m
!−1
i
X λ λk
πk = , 0≤k≤m
i=0
i!µi k!µk
• On déduit alors la probabilité que le système soit plein πm
72
Attention
• La probabilité de perte est la probabilité qu’un client entrant

trouve le système plein
• En général, la distribution ψ aux instants d’arrivées n’est pas
nécessairement la distribution stationaire π
• πi = limT (i)/T (T (i) est le temps passé en i, T un temps
d’observation très grand)
• ψi = limX(i)/X (X(i) est le nombre de fois où on a trouvé la
file à l’état i, X le nombre de visites)
• Cependant, ici, grâce aux arrivées suivant un processus de Poisson,
les deux distributions coincident
• C’est la propriété PASTA: Poisson Arrivals See Time Averages
73
Formule d’Erlang B
• La probabilité de perte vaut donc:
m
!−1
X λi λm
P rbP erte = πm =
i=0
i!µi m!µm
• C’est la formule d’Erlang B ou formule d’Erlang pour les blocages

d’appel
• On peut alors dimensionner le commutateur (trouver m pour
garantir une probabilité de blocage acceptable)
74
La file M/M/m/B
• Il y a B places et m serveurs (B ≥ m)
• Le processus du nombre de clients est encore un processus de
naissance et de mort dont les taux sont :



 λi = λ ∀i<B

 λ =0

B


 µi = iµ si i ≤ m


 µ = mµ si m < i ≤ B
i
• Puisque la chaı̂ne a un nombre fini d’états, le système est toujours

stable
75
• Les probabilités stationnaires sont obtenues simplement :

 π 0 λn ∀n<m
n! µn
πn =
π 0 λn

m! m n−m µ n ∀n≥m
• π0 est obtenu par normalisation :

m−1
!−1
(mρ)m (1 − ρB+1−m ) X (mρ)i
π0 = 1+ +
m!(1 − ρ) i=1
i!
• Toutes les arrivées qui se produisent pendant que le buffer est dans
l’état B sont perdues
• Le taux d’arrivée réel est λ(1 − πB ) et le taux de perte est λπB
• La formule de Little donne les temps moyens de séjour et d’attente
E(N ) E(NW )
E(R) = et E(W ) =
λ(1 − πB ) λ(1 − πB )
76
La file M/M/m/B
Charge ρ = λ/(mµ)
(mρ)k
Probabilité d’avoir k clients si k ≤ m π0 k!
mm ρk
sinon π0 m!
B
P
Nombre moyen de clients E(N ) = i=1 iπi
B
P
Nombre moyen de clients en attente E(NW ) = i=m+1 (i − m)πi
Taux d’arrivée réel λr = λ(1 − πB )
Utilisation moyenne d’un serveur λr /(mµ) = ρ(1 − πB )
Taux de perte λπB
E(N )
Temps de réponse moyen E(R) = λ(1−πB )
E(NW )
Temps d’attente moyen E(W ) = λ(1−π B)
77
La file M/M/∞
• Arrivées Poisson de taux λ

• Une infinité de serveurs identiques (service exponentiel de taux µ)
• Pas de buffer d’attente, un client qui arrive entre directement en
service
• Sert à modéliser des situations où le nombre de serveurs est plus
grand que la demande
• Remarque : la capacité de service étant illimitée le système est
toujours stable indépendemment des valeurs de λ et µ
78
Caractéristiques
• La file M/M/∞ est un processus de naissance et de mort avec les

taux : 
 λ =λ ∀i
i
 µi = iµ ∀ i
• On pose ρ = λ/µ, les probabilités stationnaires sont données par :
ρk
πk = π0 , π0 = e−ρ
k!
P∞
• Nombre moyen de clients E(N ) = k=1 kπk = ρ
• Le temps moyen de réponse est égal au temps moyen de service 1/µ
• On peut retrouver ce résultat par la formule de Little :
E(R) = E(N
λ
)
= ρ
λ = 1
µ
79
Exemple : Centre de Calcul
• Les étudiants se rendent au centre de calcul selon un processus de

Poisson avec un taux de 10 personnes par heure
• Chaque étudiant travaille 20mn en moyenne. La distribution du
temps de travail est exponentielle
• Il y a 5 terminaux
• Les étudiants disent qu’ils attendent trop.....
80
Analyse du centre par une M/M/5
• λ = 1/6 etudiant/minute
• µ = 1/20
• ρ = 0.666
• Utilisation moyenne d’un terminal = 0.6666
• la probabilité d’attente = probabilité que tous les terminaux soient
(m∗ρ)m
occupés = γ = π0 m!(1−ρ) = 0.33
ργ
• Nombre moyen d’étudiants dans le centre = mρ + 1−ρ = 4.0
81
ργ
• Nombre moyen d’étudiants en attente = 1−ρ = 0.65
γ
• Temps moyen de séjour dans le centre = 1/µ(1 + m(1−ρ) ) = 24mn
• Qui se décomposent en 20 minutes de travail et 4 minutes
d’attente...
• Mais 90-Percentile du temps d’attente = 14 minutes...(10
pourcents des étudiants doivent attendre plus de 14 minutes)
Comment répondre?
• Augmenter le nombre de terminaux ?
• Distribuer les terminaux (sans en augmenter le nombre) ?
82
Augmenter le nombre de terminaux
• Combien de terminaux pour que le temps d’attente soit plus petit

que 2 minutes en moyenne et plus petit que 5 minutes dans 90
pourcents des cas ?
• On augmente de 1 terminal. (m=6)
• ρ devient 0.556, γ = 0.15,
• Temps moyen d’attente = 1.1 minute
• 90 percentile = 3 minutes
83
Répartition
• On distribue les 5 terminaux en 5 places distinctes, avec 5 files

d’attente séparées et pas d’informations globales pour choisir.
• On a donc 5 M/M/1
• Le taux de service reste identique
• Le taux d’arrivées est divisée par 5 (répartition équiprobable)
84
• La charge ρ reste la même
1/µ
• Le temps moyen de séjour est 1−ρ = 60mn
• La variance du temps de séjour est maintenant de 3600 (elle était
de 479 dans le système centralisé)
• Très mauvaise solution : le temps moyen de séjour augmente
considérablement (moyenne comme variance)
• En première analyse, un système centralisé est plus efficace pour
l’utilisation des ressources et le temps d’attente
• La différence provient des états où certaiens files sont vides alors
que des clients attendent dans d’autres
• Mais d’autres points peuvent modifier cette analyse
85
Les réseaux de files d’attente
Un Réseau de Files d’Attente (RFA) est un ensemble de files simples

interconnectées. Il est caractérisé par :
• le processus d’arrivées des clients dans le système (ex. Poisson de
taux λ)
• pour chaque file d’attente individuelle :
– la distribution du temps de service (ex. Exponentielle de taux
µi )
– le nombre de serveurs mi
– la capacité de la file Ki (éventuellement infinie)
– la discipline de service (FIFO, LIFO, etc, . . . , éventuellement
avec priorité préemptive/ non préemptive, . . . )
• le routage des clients dans le système. On distingue plusieurs types
de routage dont :
86
• le routage dynamique : fonction de l’état courant du système (par
ex. vers la file la moins chargée)
• le routage déterministe: chaque type de client suit une route
prédéterminée
• le routage probabiliste (le plus souvent considéré). Il est
caractérisé par les probabilités
– p0i : la probabilité qu’un client arrivant de l’extérieur se dirige
vers la file i
– pij : la probabilité de se diriger vers la file j à la fin d’un
service dans la file i
– pi0 : la probabilité de se diriger vers l’extérieur à la fin d’un
service dans la file i
87
Réseaux monoclasses/ Réseaux multiclasses
On distingue :
• les réseaux monoclasses : parcourus par un seul type de clients
• les réseaux multiclasses : où circulent plusieurs classes de clients
avec des niveaux de priorité différents. Ces classes seront
caractérisées par :
– des processus d’arrivées différents
– des routages différents
– des temps de service différents dans chaque file
88
Réseaux ouverts/ Réseaux fermés
Dans un réseau ouvert :

- on peut avoir des arrivées de l’extérieur
- on peut avoir des départs vers l’extérieur
- le nombre de clients dans le réseau est variable
1 3
p01 µ 1
µ3
λ p23
p02
p40
2 p24 4
µ2 µ4
p42
89
Dans un réseau fermé :
- pas d’arrivées de l’extérieur (p0i = 0)
- pas de départs vers l’extérieur (pi0 = 0)
- le nombre de clients dans le réseau est constant
p31 p33
1 3
µ 1
µ3
p23
p41
2 p24 4
µ2 µ4
p42
90
Pour les réseaux multiclasses on peut avoir des réseaux mixtes
- ouverts pour certaines classes
- fermés pour d’autres
µ(1)
1
µ(1)
3
1 3
(1)
p01
λ1 (1)
p23
(1)
p02 µ(1)
2
(1)
p24
µ(1)
4
2 4
µ(2)
2
µ(2)
4
Classe1 : ouverte
Classe2 : fermee
91
Notations
Dans la suite, on se restreint aux réseaux monoclasses.

- N : le nombre de files dans le réseau
- K : le nombre constant de clients pour un réseau fermé
- (k1 , k2 , . . . , kN ) : l’état du réseau, ki étant le nombre de clients
PN
dans la file i ( i=1 ki = K pour un réseau fermé)
- mi : le nombre de serveurs dans la file i
- µi : le taux de service des clients dans la file i
- λ0i : le taux d’arrivée des clients de l’extérieur vers la file i
- λ : le taux total d’arrivée des clients de l’extérieur vers le réseau
PN
ouvert (λ = i=1 λ0i )
- λi : le taux total d’arrivée des clients vers la file i
- Vi : nombre moyen de visites (ou le taux de visite) à la file i
(Vi = λi /λ)
92
Remarque : à l’état d’équilibre le taux de sortie d’une file est égal au
taux d’arrivée, ainsi
- Pour un réseau ouvert :
N
X
λi = λ0i + λj pji
j=1
N
X
Vi = p0i + Vj pji
j=1
- Pour un réseau fermé :

N
X
λi = λj pji
j=1
N
X
Vi = Vj pji
j=1
93
Mesures de performance
Calculer la distribution stationnaire jointe π(k1 , k2 , . . . , kN ) est le

principal problème pour les réseaux de files d’attente. En effet, les
mesures de performance des files se déduisent à partir de cette
distribution :
- la distribution stationnaire de la file i :
P
πi (k) = ki =k π(k1 , k2 , . . . , kN )
- l’utilisation ρi de la file i : ρi = ∞
P
k=1 πi (k) = 1 − πi (0) (pour un
réseau fermé πi (k) = 0, ∀k > K)
P∞
- le nombre moyen de clients dans la file i : Qi = k=1 kπi (k)
- Ri : temps moyen de réponse pour la file i : Ri = Qi /λi
- ...
94
Calcul de la distribution stationnaire jointe π
- Le comportement de plusieurs réseaux de files d’attentes peut être

décrit en utilisant des CTMC
- Le calcul de π peut alors se faire par des techniques numériques
qui permettent de résoudre le système πQ = 0, πe = 1 (équations
de balance globale) où Q est le générateur de la CTMC
- La complexité élevée de ces techniques limite leurs utilisation pour
des grands réseaux, d’où la nécessité de solutions alternatives
- Une large partie de RFA appelée réseaux à forme produit (ayant
certaines hypothèses sur les distributions des inter-arrivées et de service)
possède une solution analytique simple pour le calcul de π
- Pour ces réseaux les équations de balance globale se décomposent
en équations de balance locale et π s’exprime comme produit des
probabilités stationnaires des files
95
Notion de balance locale
Propriété de balance locale pour un noeud i : Le taux de

départ d’un état du réseau dû au départ d’un client de la file i est égal
au taux d’arrivée à cet état dû à l’arrivée d’un client à cette file
Exemple : considérons le réseau fermé du schéma avec : K = 2, des

durées de service exponentielles
µ2
µ1
µ3
ce réseau peut être modélisé par une CMTC à six états
96
µ1 p12
µ3 p31 2,0,0
µ3 p31 µ1 p12
µ1 p13 µ2 p21
0,0,2 1,0,1 1,1,0 0,2,0
µ1 p12 µ3 p31
µ1 p13 µ2 p21
µ2 p21 0,1,1 µ1 p13
Les équations de balance globale s’écrivent:

(1) π(2, 0, 0)(µ1 p12 + µ1 p13 ) = π(1, 0, 1)µ3 p31 + π(1, 1, 0)µ2 p21
(2) π(0, 2, 0)µ2 p21 = π(1, 1, 0)µ1 p12
(3) π(0, 0, 2)µ3 p31 = π(1, 0, 1)µ1 p13
(4) π(1, 1, 0)(µ2 p21 + µ1 p13 + µ1 p12 ) =

π(0, 2, 0)µ2 p21 + π(2, 0, 0)µ1 p12 + π(0, 1, 1)µ3 p31
(5) π(1, 0, 1)(µ3 p31 + µ1 p12 + µ1 p13 ) =

π(0, 0, 2)µ3 p31 + π(0, 1, 1)µ2 p21 + π(2, 0, 0)µ1 p13
(6) π(0, 1, 1)(µ3 p31 + µ2 p21 ) = π(1, 1, 0)µ1 p13 + π(1, 0, 1)µ1 p12
97
µ1 p12
µ3 p31 2,0,0
µ3 p31 µ1 p12
µ1 p13 µ2 p21
0,0,2 1,0,1 1,1,0 0,2,0
µ1 p12 µ3 p31
µ1 p13 µ2 p21
µ2 p21 0,1,1 µ1 p13
équations de balance locale pour l’état (1, 1, 0) :

(4.1) π(1, 1, 0)µ2 p21 = π(2, 0, 0)µ1 p12
le taux de départ de (1, 1, 0) dû au départ d’un client de la file 2 (partie gauche) est
égal au taux d’arrivée à cet état dû à l’arrivée d’un client à la file 2 (partie droite)
(4.2) π(1, 1, 0)(µ1 p13 + µ1 p12 ) = π(0, 2, 0)µ2 p21 + π(0, 1, 1)µ3 p31
(4.1)+ (4.2)=(4), on a aussi :
(5.1) π(1, 0, 1)(µ1 p12 + µ1 p13 ) = π(0, 0, 2)µ3 p31 + π(0, 1, 1)µ2 p21
(5.2) π(1, 0, 1)µ3 p31 = π(2, 0, 0)µ1 p13
(6.1) π(0, 1, 1)µ2 p21 = π(1, 0, 1)µ1 p12
(6.2) π(0, 1, 1)µ3 p31 = π(1, 1, 0)µ1 p13
La résolution est plus facile avec ces équations locales
98
Balance locale et forme produit
- Remarque : contrairement au balance globale, la propriété de

balance locale n’est pas toujours vérifiée (l’équilibre locale est une
condition suffisante pour l’équilibre globale mais pas nécessaire)
- lorsqu’il existe une solution pour les équations de balance locale,
on dit que le réseau possède la propriété de balance locale, cette
solution est l’unique solution des équations de balance globale
- Si chaque noeud du réseau vérifie la propriété de balance locale,
alors :
– tout le réseau possède la propriété de balance locale
– il existe une solution à forme produit pour le réseau :
1 N
π(k1 , k2 , . . . , kN ) = G Πi=1 fi (ki ), où G est une constante de
normalisation et fi (ki ) est une fonction de πi (ki )
99
Les réseaux de Jackson
- réseaux monoclasses ouverts

- arrivées Poissonniens de l’extérieur vers les noeuds du réseau
- services exponentiellement distribués dans tous les noeuds
- la discipline de service est FIFO dans tous les noeuds
- routage probabiliste
- un seul serveur de taux µi dans chaque noeud i
Théorème : Sous la condition de stabilité λi < µi , ∀ i = 1, . . . , N , la
probabilité stationnaire du réseau possède la forme produit suivante :
π(k1 , k2 , . . . , kN ) = ΠN
i=1 πi (ki ), où πi (ki ) est la probabilité stationnaire
d’une file M/M/1, soit πi (ki ) = (1 − ρi )ρki i avec ρi = µλii
100
Preuve
- Le processus X(t) = (k1 (t), . . . , kN (t)) est une CMTC
- Les équations de balance globale s’écrivent :
PN
π(k1 , . . . , kN )(λ + i=1 µi 1ki >0 )
PN
= i=1 π(k1 , . . . , ki − 1, . . . , kN )λ p0i 1ki >0
PN
+ i=1 π(k1 , . . . , ki + 1, . . . , kN )µi pi0
PN PN
+ i=1 j=1 π(k1 , . . . , kj + 1, . . . , ki − 1, . . . , kN )µj pji 1ki >0
- La solution d’une CMTC étant unique, il suffit de vérifier que la
solution à forme produit est bien une solution de ces équations
- En divisant les deux parts de l’équation par π(k1 , . . . , kN ) et en
remplacant les probabilités par leurs valeurs, il suffit de vérifier :
N N N N X N
X X λp0i 1ki >0 X X ρj µj pji 1ki >0
λ+ µi 1ki >0 = + ρi µi pi0 +
i=1 i=1
ρi i=1 i=1 j=1
ρi
(rappel : λi = ρi µi )
101
- λi = λVi est le débit d’entrée à la station i. Le système étant
stable, c’est aussi le débit de sortie de cette station. λi pi0 est donc
le débit des clients qui quittent le système par la station i
PN
- ainsi, i=1 λi pi0 = λ est bien vérifiée (débit de sortie du
système= débit d’entrée dans le système)
PN λp0i 1ki >0 PN PN ρj µj pji 1ki >0
- i=1 ρi + i=1 j=1 ρi =
PN 1ki >0 PN PN 1ki >0 PN
i=1 ρi [λp0i + j=1 λVj pji ] = i=1 ρi λVi = i=1 µi 1ki >0
102
Remarques
- le théorème de Jackson est plus général, il inclut le cas :

– des files avec des taux d’arrivées et de service dépendant de
l’état ki des clients dans la file i
– des files multiserveurs sous la condition de stabilité λi < mi µi
(cas particulier du précédent cas en prenant
µi (ki ) = inf(ki , mi )µi )
- un réseau de Jackson se comporte comme un ensemble de files
M/M/1 considérées en isolation
- cependant, les flux d’arrivées à l’intérieur du réseau ne sont pas
nécessairement poissonniens (par exemple en cas de rebouclages),
d’où l’importance du théorème
103
D’autres réseaux à forme produit
- réseaux de Gordon et Newell : réseaux monoclasses fermés

- réseaux BCMP : étendent les résultats de Jackson et
Gordon/Newell aux réseaux de files d’attente multiclasses pouvant
être ouverts, fermés, mixtes en considérant des disciplines de
service différentes et des distributions de temps de service générales
104

Perf Res

Transféré par

Droits d'auteur :

Formats disponibles

Perf Res

Transféré par

Informations du document

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

Perf Res

Transféré par

Droits d'auteur :

Formats disponibles

Cours Performances des réseaux

Mouad Ben Mamoun

Année universitaire 2018-2019

• Partie 1 : Evaluation de performances

• Objectif: Calculer les indices de performances d’un système

Les systèmes étant coûteux, il faut prédire leurs performances

Les techniques utilisées pour l’évaluation de performances sont :

• Les méthodes analytiques :

Remarque: il est intéressant d’utiliser parfois plusieurs techniques pour

• Variables d’état : ensemble de variables décrivant l’état du système

• En général, on ne connaı̂t pas avec certitude les caractéristiques

• Bref rappel de probabilités et statistiques

• Raj Jain, ”The Art of Computer Systems Performance Analysis”,

La fonction de densité de la loi exponentielle de paramètre λ(λ > 0)

P rob(X ≤ x + t|X > x) = P rob(X ≤ t)

• Systèmes considérés (Systèmes à Evénements Discrets) :

• Gestion d’un échéancier d’événements : maintien d’une liste

• Maintien d’une horloge de simulation : maintien d’une variable

• Génération de durées aléatoires : pour simuler le temps écoulé entre

• Mises à jour des variables d’états à l’exécution de chaque

• Trace de simulation : pour débugger le programme de simulation

• L’échéancier contient l’ensemble d’événements futurs. Chaque

1 Initialisations (du temps de simulation, des variables d’état et de

2 TantQue (Echéancier non vide et TempsSimul < TMAX)

3 Fin de Simulation (Affichage des résultats statistiques)

• File d’attente de taille B

Temps : un vecteur de réels de taille B + 1

1 Temps:=0; etat:=0; t:=0;

1. Définir un modèle pour le système

• NS (Network Simulator): logiciel libre, librairie riche de protocoles

Une chaı̂ne est un processus à valeurs dans un espace d’états E

On note Pi,j (n) = P r(Xn+1 = j|Xn = i)

• Par construction, la matrice P = (Pi,j )i,j∈E des probabilités de

• Soit π(n) le vecteur des probabilités P r(Xn = i)

• Ainsi, π(n) = π(n − 1)P et par récurrence π(n) = π(0)P n

• Si fj < 1 l’état est transitoire.

• Définition : Un sous ensemble A d’états est fermé si et seulement si

• Théorème: Pour une chaı̂ne de Markov irréductible, tous les

Soit une CMTD irréductible et apériodique, alors la distribution limite

• En pratique : il faut s’assurer que la description du système à un

• On s’intéresse uniquement aux CMTC homogènes :

• Si π(t) est la distribution transitoire à l’instant t, càd, le vecteur

Remarque : Pour une CMTC homogène le temps passé dans un état a

• On définit qi,j le taux de transition instantané de i à j par :

• La matrice Q = (qi,j ) est appelée générateur infinitésimal de la

• On peut montrer que P (t) = etQ et donc π(t) = π(0)etQ

• La classification des états d’une CMTC en états transitoires,

Remarque : la méthode de la chaı̂ne incluse permet d’étudier les

Théorème: pour une CMTC irréductible la distribution limite

• En développant l’équation πQ = 0 pour un i quelconque, on a:

• On obtient ce qu’on appelle l’équation d’équilibre ou les équations

Interprétation : tout ce qui permet de rentrer dans l’état i (partie

On peut transformer les matrices pour passer d’un problème en temps

• Résolution analytique : pour certains modèles (voir plus loin)

• En cas de besoin, le livre de Stewart ”Introduction to the

• Un processus de Naissance et de Mort est une chaı̂ne de Markov

πn [µn 1{n>0} + λn ] = πn−1 λn−1 1{n>0} + πn+1 µn+1

• L’équation à l’état 0 permet d’obtenir π1 en fonction de π0

• Examinons maintenant l’équation à l’état 1

• PageRank calcule une valeur numérique pour chaque page Web.