Chapitre 2 : Positionnement scientifique
2.1 L’algèbre Max,+
2.3 Évolution: approchepartrajectoire...33
3 Evaluation de performances à l’aidede modèles à états et à paramètres
déterministes...33
3.1 Vérificationformelledesperformancesparmodel-checking...34
3.1.1 Principesetapplicationsà la vérificationde performancestemporelles... 34
3.1.2 Synthèse...36
3.2 Evaluationdeperformancesà l’aidederéseaux dePetri...37
3.2.1 LesRdPetquelquesunedeleursextensions...37
3.2.2 Evaluationdeperformancesà l’aidedesRdP...43
3.2.3 Synthèse...45
4 Evaluation de performances à l’aidede modèles à états et à paramètres
stochastiques...45
4.1 Les chaines deMarkov...45
4.2 Modélisationenfilesd’attentes...47
4.2.1 Algèbrestochastique...47
4.2.2 Parsimulation...48
4.3 RéseauxdePetristochastiques...49
4.3.1 Principes...49
4.3.2 Applications àl’évaluationdeperformances...52
1 Introduction
Ce chapitre a pour objectif de dresser un état de l’art des approches d’évaluation de
performances qui pourraient répondre aux contraintes industrielles de notre étude comme
explicité dans le précédent chapitre. L’analyse des apports et des limites de chaque approche
nous conduira à sélectionner une approche de modélisation qui sera utilisée par la suite pour
générer automatiquement, en avant-vente, les modèles et pour supporter l’évaluation de
performances. Compte tenu des contraintes, une attention particulière sera apportée quant à la
capacité de chaque approche à conduire efficacement une analyse d’un grand nombre
d’architectures et de supporter le contexte incertain, aussi bien en termes de données d’entrée
que de pertinence dans les résultats. Nous rappelons enfin que l’approche devra pouvoir
modéliser l’architecture de bout en bout, aussi bien les composants terminaux (client, E/S
déportées, API, etc.) que le réseau de communication (ici de type Ethernet commuté).
De manière macroscopique, l’évaluation de performances de tels systèmes peut
s’apparenter à une modélisation en files d’attente. Chaque composant, chaque ressource
(mémoire, processeur, bande passante), chaque fonction d’un composant va être associée à une
file et l’étude de la concurrence d’accès à la ressource partagée va permettre d’estimer la
dégradation du service engendrée par la traversée du composant. Afin de recouvrer une certaine
forme d’exhaustivité, ce chapitre aborde les différentes solutions d’évaluation de performances
de systèmes discrets selon une classification en trois grandes approches : modèles
déterministes, modèles à états à paramètres déterministes et modèles stochastiques. Tout en
ayant conscience que cette taxonomie est discutable et potentiellement arbitraire, le but sera
d’établir s’il existe des propriétés structurelles propres à chaque approche voire des paramètres
d’entrée qui ne seraient pas adaptés à notre cadre de modélisation d’avant-vente. Aussi, nous
présenterons, pour chacun de ces modèles, un bref aperçu de leur fondement théorique ainsi
qu’une discussion autour de leur utilisation dans le domaine de l’évaluation de performances
temporelles (attendu qu’il s’agit du besoin attendu comme spécifié précédemment et même si
d’autres propriétés pourront également être parallèlement estimées). Pour chaque approche
candidate, une synthèse permettra de mettre en avant son adéquation à notre étude, et ces
différentes synthèses seront discutées dans la dernière section en vue d’exprimer notre choix
de formalisme de modélisation.
2 Evaluation de performances à l’aide d’approches algébriques
Dans la littérature, les modèles dits déterministes sont généralement construits suivant une
géométrie tropicale, et plus spécifiquement suivant l’algèbre (max,+) (voire (min,+)). Ils
s’expliquent par la volonté d’exprimer des performances déterministes (de type enveloppe), et
pour cela visent à conduire une analyse elle-même déterministe. La modélisation du système
consiste ici à l’expression d’un système d’équations dont la résolution permettra par la suite
d’obtenir notamment des propriétés temporelles. Ces équations se singularisent par leur
écriture où l’addition et la multiplication sont respectivement redéfinies par le maximum (ou
le minimum) et l’addition. On parle ainsi de dioïde (max,+) ou (min,+). Cette technique a été
développée par de nombreux auteurs, néanmoins nous focaliserons dans cette section sur son
emploi pour des systèmes de contrôle/commande en réseau.
2.1 L’algèbre Max,+
L’algèbre (max,+) (Cohen, et al., 1996), (Davey & Priestley, 2002), (Hardouin, 2004),
(Cohen, 1993) et (Lotito, et al., 2005) est utilisé pour la modélisation et l’évaluation de
performance de systèmes à évènements discrets (réseaux de transport ou de télécom, systèmes
de production). Elle peut également être utilisée pour déterminer les temps de marquage dans
les réseaux de Petri. Elle a notamment été développée pour l’évaluation de performances avec
les travaux de (Baccelli, et al., 1992) puis (Amari, et al., 2012). L’évaluation des performances
passe par la résolution d’un système d’équations (max,+) linéaires. Ces équations peuvent être
directement posées ou dérivées d’un autre formalisme (comme les réseaux de Petri) comme
dans le cas suivant.
(Addad, 2011a) propose une modélisation générique d’un système contrôlé en réseau
(SCR) à base d’équations (max,+). La modélisation s’attache à décrire l’ensemble des
composants d’un tel système, à savoir les modules d’entrées/sorties déportées, d’un contrôleur
(CPU et carte de communication), d’un MES et d’un réseau à base d’Ethernet commuté. Cette
modélisation est accomplie ici à l’aide de réseaux de Graphes d’Évènements Temporisés
(GET). Un graphe d’évènements temporisés (GET) est un réseau de Petri (voir section 3.2)
ordinaire temporisé où chaque place n’admet qu’une transition d’entrée et une transition de
sortie au maximum. C’est ensuite la dynamique de ce GET qui est traduite en un système
d’équations (max,+) linéaires. On associe ainsi à chaque transition t
iune variable x(k), appelée
dateur, qui représente la date de son franchissement pour la k
èmefois. Le dateur associé à une
transition d’entrée t
ujest noté u
j(k). La Figure 14 décrit ainsi le système d’équations proposé
par (Addad, et al., 2010) et (Addad, et al., 2011b) pour un système contrôlé en réseau ainsi les
délais obtenus.
COM Réseau t1 t3 TCPU 0 t2 _ _ _ t11 t8_1 TE/S_1 t7_1 0 0 t10_1 0 t10_N Vers les autres MES τ2 0 TEM_1 TReq_1 TReq_N TRep_1 TRep_N MES_1 Depuis les autres MES CPU ᆳt( ) k e ナt(k 0 @ニ @1) e ナt(k 01) ᄚ 1 2 3 ᆴt2( ) k TCAL ナt1( ) k ᄚ ᆵt@3( )k TCPU ナ@t1( )k ᆳt ( )l @( t@(l 01) ナe) ( @ニ t@ (l @0 ナ1) e) ᄚ 4 11 12 Pour i 1,B, N ᄚ@ᄚ@ t5 _i ( )l t5 _( i01) ( )l ナTEM_i //t5 _ 0 ( ) l t4( )l pourl' initialisation
ᄚ@ ᄚ@ t ( )l t ( )l ナT ᄚ@ ᄚ@ 6 _i 5 _i Req_i ( ) ( l e) t (l 0 ナe) @ t@ l @ t ( )ナ ニ( @ @1) ᄚ@ 7 _i 6 _i 8 _i ᆴ@ t ( )l t ( ) l ナT / ᄚ@ 8 _i 7 _i ES_i ᄚ@ t9 _i ( )l t8 _ i ( ) l ナe ᄚ t 10 _i ( )l t9 _i ( )l ナTRep_i Fin ᄚ@ ᄚ@ ᆰ@ ᄎ ᄚt@11( )l @(t5 _N ( ) l ナe) ニᆱᆲ1 、 、 @
ニ
j N@(t10 _ @j ( ) l ナe)ᄏᄐ ᄚ ᆵ 12 4 COM ᄚt ( )l t( )l ナTFigure 14: Modèle d’un SCR mono client – multi serveur (Addad, et al., 2011b)
Les paramètres de ces équations étant tous connus, il est ainsi possible d’évaluer
analytiquement des dates d’occurrences d’évènements remarquables dans le réseau. La
résolution revient alors à traquer les messages et à partir des dates calculées, de développer une
analyse déterministe pour le calcul de bornes (maximales et/ou minimales) du temps de
réponse. (Ammour & Amari, 2015) développent plus en détail l’approche algébrique pour la
résolution de ce système.
En synthèse, l’algèbre (max,+) s’avère intéressante à l’évaluation de performances
d’architectures de contrôle/commande en réseau puisqu’elle permet d’obtenir de manière
déterministe des bornes (minimales et maximales) sur les temps de réponse. Cette
caractéristique de temps de réponse est d’autant plus intéressante puisqu’elle permet, à
contrario d’une analyse des seuls délais de traversée du réseau, de prendre en compte à la fois
la performance de la commande et du réseau de communication. Comme le montre (Addad,
2011a) cette algèbre peut également être couplée à une approche stochastique dans le but de
déterminer la distribution (fonction de densité de probabilité) du temps de réponse. Les temps
de franchissement sont exprimés par méthode combinatoire pour de petits réseaux ou par
heuristique (algorithmes génétiques) pour gérer l’explosion combinatoire.
Néanmoins, il s’agit là de performances extrêmes qui nécessitent une connaissance sur le(s)
scénario(s) qui n’est pas forcément disponible dans le contexte d’avant-vente. La complétude
de la modélisation et la recherche des cas critiques restent également limitées. Enfin, le système
d’équation de départ peut s’avérer difficile à exprimer (même en passant par une étape
préliminaire de modélisation par graphe).
2.2 Évaluation de bornes déterministes par calcul réseau
Dans le document
Évaluation de performance d’architecture de contrôle-commande en réseau dans un contexte incertain d’avant-vente
(Page 41-45)