Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
1/50
Soutenance de thèse
Analyse probabiliste deprotocoles de population
Yves MOCQUARD1,Directeur de thèse : Bruno SERICOLA2,
Co-encadrante : Emmanuelle ANCEAUME3
1Équipe Dionysos, Université de Rennes 1 / IRISA2Inria, France
3CNRS / IRISA, France
13 décembre 2018Analyse probabiliste de protocoles de population
2/50
Introduction
Analyse probabiliste de protocoles de population
3/50
Introduction
Structure de la présentation1 Définition des protocoles de population2 Protocoles basés sur la moyenne3 La diffusion de rumeur4 L’horloge globale5 La détection de convergence6 Conclusion
Analyse probabiliste de protocoles de population
4/50
Le modèle des protocoles de population
Modèle minimaliste de systèmes distribués introduit en 2004 1
1 Chaque agent possède un ensemble fini d’états.2 Les agents n’ont pas d’identité.3 Les agents n’ont pas connaissance du temps.4 Les communications sont occasionnellement possibles
entre agents.
→ Uniformité : tous les agents exécutent le même code.→ Anonymat : les agents n’ont pas d’identité.
1. D. Angluin, J. Aspnes, Z. Diamadi, M. J. Fischer, R. Peralta, "Computationin networks of passively mobile finite-state sensors", PODC 2004
Analyse probabiliste de protocoles de population
5/50
Le modèle des protocoles de population
Un protocole de population est défini par (Σ,Q,Ξ, ι, f , ω), où :Σ est l’ensemble des états d’entrée.Q est l’ensemble des états de travail.Ξ est l’ensemble des états de sortie.ι : Σ → Q est la fonction d’entrée.f : Q × Q → Q × Q est la fonction transition.ω : Q → Ξ est la fonction de sortie.
Σι−→ Q Q × Q f−→ Q × Q Q ω−→ Ξ
Analyse probabiliste de protocoles de population
6/50
Le modèle des protocoles de population
FIGURE – Transition suite à une interaction avec f (x , y) = (x ′, y ′)
Analyse probabiliste de protocoles de population
7/50
Notations et hypothèses
Une configuration est le vecteur Ct =(
C(1)t , . . . ,C(n)t
)∈ Qn
À chaque instant, une et une seule interaction a lieu entredeux nœuds distinctsLa probabilité que chaque couple de nœuds (i , j) interagisse,est
pi,j =1{i ̸=j}
n(n − 1)
Analyse probabiliste de protocoles de population
8/50
Protocoles basés sur la moyenne
Protocoles basés sur la moyenne1 avec des entiers
2 avec des réels
Image : Couverture de l’album "Atom Heart Mother" Pink Floyd, 1970.
Analyse probabiliste de protocoles de population
9/50
Exemple : surveillance de maladies
ExempleDes capteurs identiques sont fixés sur tous les animaux.Les capteurs des animaux malades sont dans l’état A(rouge).Les capteurs des animaux sains sont dans l’état B (bleu).Quand deux animaux sont proches, leurs capteursinteragissent.
Analyse probabiliste de protocoles de population
10/50
Exemple : surveillance de maladies
ProblèmeConnaissant le nombre n de capteurs, nous voulons connaîtrela valeur nA du nombre de nœuds (capteurs) dans l’état A, eninterrogeant un seul capteur.
Analyse probabiliste de protocoles de population
11/50
Solution pour calculer le nombre d’ animaux malades
Algorithme
Ensemble d’entrée Σ = {A,B}Ensemble de travail Q = {0,1, . . . , 3n}Ensemble de sortie Ξ = {0,1, . . . , n}
Fonction d’entrée ι : Σ −→ Q A 7−→ 3nB 7−→ 0
Fonction de transition f : (x , y) 7−→(⌊ x+y
2
⌋,⌈ x+y
2
⌉)Fonction de sortie ωA : x 7−→
⌊ x+13
⌋
Analyse probabiliste de protocoles de population
12/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Analyse probabiliste de protocoles de population
13/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
∑5i=1 C
(i)0 = constante = 30
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 0
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 1
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 1
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 2
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 2
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 3
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 3
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 4
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 4
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 5
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 5
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 6
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 6
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 7
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 7
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 8
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 8
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 9
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 9
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 10
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 10
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 11
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 11
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 12
Analyse probabiliste de protocoles de population
14/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Nombre total d’interactions : t = 12
Analyse probabiliste de protocoles de population
15/50
ProblèmeQuel est le nombre d’animaux malades dans le troupeau?
Le nombre d’animaux malades dans le troupeau est⌊ x+1
3
⌋= 2
Analyse probabiliste de protocoles de population
16/50
Calcul avec des interactions aléatoires
Quand les nœuds i et j interagissent, la transition peuts’écrire :(
C(i)t+1,C(j)t+1
)=
(⌊C(i)t + C
(j)t
2
⌋,
⌈C(i)t + C
(j)t
2
⌉)C(k)t+1 = C
(k)t si k ̸= i , j
ℓ = 1n∑n
i=1 C(i)t ne dépend pas du temps
On pose L = (ℓ, ℓ, . . . , ℓ) ∈ Rn
Analyse probabiliste de protocoles de population
17/50
En combien de temps le protocole converge-t-il ?
Théorème 5.2.12Pour tout δ ∈ ]0,1[, s’il existe une constante K telle que∥C0 − L∥2 ≤ K , alors, pour toutt ≥ n (2 ln K + 2.12 ln n − 6.59 ln δ + 1.88), nous avons
P {∥Ct − L∥∞ ≥ 3/2} ≤ δ
Théorème 5.2.13Pour tout δ ∈ ]0,1[, nous avons, pour toutt ≥ n (5.12 ln n − 6.59 ln δ + 2.58), nous avons
P
{⌊C(i)t + 1
3
⌋= nA, pour tout i = 1, . . . , n
}≥ 1 − δ
Analyse probabiliste de protocoles de population
18/50
Résultats de simulations
0
20
40
60
80
100
120
140
10 102 103 104 105
Tem
pspa
rallè
lede
conv
erge
nce
Nombre n d’agents
τ(n, δ = 10−3)simulations avec δ = 10−3τ(n, δ = 10−2)simulations avec δ = 10−2τ(n, δ = 10−1)simulations avec δ = 10−1
FIGURE – Temps parallèle de convergence du protocole de comptageen fonction de n avec N = 103
Analyse probabiliste de protocoles de population
19/50
Protocole basé sur la moyenne
Protocole basé sur la moyenne
1 avec des entiers
2 avec des réelsImage : Couverture de l’album "Atom Heart Mother" Pink Floyd, 1970.
Analyse probabiliste de protocoles de population
20/50
Protocole basé sur la moyenne avec des réels
Algorithme
Ensemble d’entrée Σ = {A,B}Ensemble de travail Q = [0,1]Ensemble de sortie Ξ = {0,1, . . . , n}
Fonction d’entrée ι : Σ −→ Q A 7−→ 1B 7−→ 0
Fonction de transition f : (x , y) 7−→( x+y
2 ,x+y
2
)Fonction de sortie ωA : x 7−→
⌊nx + 12
⌋
Analyse probabiliste de protocoles de population
21/50
En combien de temps le protocole converge-t-il ?
0
0.2
0.4
0.6
0.8
1
0 5 10 15 20 25 30 35 40Temps parallèle t/n
∥Ct − L∥∞proportion d’agents avec la bonne réponse
FIGURE – Évolution en fonction du temps parallèle de ∥Ct − L∥∞ etde la proportion d’agents ayant une réponse correcte, avec n = 106
et N = 1.
Analyse probabiliste de protocoles de population
22/50
En combien de temps le protocole converge-t-il ?
On approche ∥Ct − L∥∞, avec ∥Ct − L∥2 pour la norme 2 et∥Ct − L∥4 pour la norme 4.
Théorème (utilisant la norme 2)Pour tout δ ∈ ]0,1[ et t ≥ τ ′′, nous avons
P
{⌊nC(i)t + 1/2
⌋= nA, pour tout i = 1, . . . , n
}≥ 1 − δ
τ ′′ = (n − 1)(3 ln n + 4 ln 2 − ln δ)
Théorème 5.1.9 (utilisant la norme 4)Pour tout δ ∈ ]0,1[ et t ≥ τ ′, nous avons
P
{⌊nC(i)t + 1/2
⌋= nA, pour tout i = 1, . . . , n
}≥ 1 − δ
τ ′ =4n(n − 1)
7n − 6(5 ln n + ln(104/3)− ln δ)
Analyse probabiliste de protocoles de population
23/50
En combien de temps le protocole converge-t-il ?
5
10
15
20
25
30
35
40
45
50
10 102 103 104 105
Tem
pspa
rallè
lede
conv
erge
nce
Nombre d’agents n
τ ′′
τ ′
simulations nA = n/2simulations nA = n/4
FIGURE – Temps parallèle de convergence en fonction de n, avecδ = 10−3 et N = 105.
Analyse probabiliste de protocoles de population
24/50
En combien de temps le protocole converge-t-il ?
18
20
22
24
26
28
30
32
34
36
38
10−610−510−410−310−210−1
Tem
pspa
rallè
lede
conv
erge
nce
δ
τ ′′
τ ′
simulations nA = n/2 = 500simulations nA = n/4 = 250
FIGURE – Temps parallèle de convergence en fonction de δ avecn = 1000 et N = 106.
Analyse probabiliste de protocoles de population
25/50
La diffusion de rumeur
Image : "Scrispin et Scapin" par Honoré Daumier, vers 1864Analyse probabiliste de protocoles de population
26/50
Diffusion de rumeur
C’est un protocole très simple qui peut modéliserla diffusion d’une maladie contagieusela diffusion d’un message dans un système distribuéla diffusion d’une rumeur
Analyse probabiliste de protocoles de population
27/50
Diffusion de rumeur
1 ⇐⇒ "connaît la rumeur"0 ⇐⇒ "ne connaît pas la rumeur"
Algorithme
Ensemble d’entrée Σ = {0,1}Ensemble de travail Q = {0,1}Ensemble de sortie Ξ = {0,1}Fonction d’entrée : ι = Id{0,1}Fonction de transitionf : {0,1} × {0,1} −→ {0,1} × {0,1}
(1,0) 7−→ (1,1)(0,1) 7−→ (1,1)(1,1) 7−→ (1,1)(0,0) 7−→ (0,0)
Fonction de sortie : ω = Id{0,1}
Analyse probabiliste de protocoles de population
28/50
Diffusion de rumeur
Yt est le nombre d’agents à l’état 1 à l’instant tYt est une chaîne de Markov sur {1,2, . . . , n}pi = P{Yt+1 = i + 1 | Yt = i} = 2i(n−i)n(n−1)
1 2 . . . n-1 n
1 − p1
p1
1 − p2
p2 pn−2
1 − pn−1
pn−1
1
FIGURE – Graphe des transitions de la chaîne de Markov Y
Tn = min{t | Yt = n}
En prenant Vi(t) = P{Tn > t | Y0 = i}, on obtient{Vi(t) = (1 − pi)Vi(t − 1) + piVi+1(t − 1)Vn−1(t) =
(1 − 2n
)tAnalyse probabiliste de protocoles de population
29/50
Diffusion de rumeur
Théorème 4.2.4Pour tout t ≥ 1, nous avons
P{Tn > t | Y0 = 1}≤∼
t−→∞
(1 +
2t(n − 2)2
n
)(1 − 2
n
)t−1et pour i ∈ {2, . . . , n − 1} et t ≥ 0
P{Tn > t | Y0 = i}≤∼
t−→∞
(n − i)(n − 2)i − 1
(1 − 2
n
)t
Théorème 4.2.5Pour tout δ ∈ ]0;1[ et t ≥ n (ln(n)− ln(δ)/2), nous avons
P {Yt = n | Y0 = 2} ≥ 1 − δ.
Analyse probabiliste de protocoles de population
30/50
Diffusion de rumeur
2
4
6
8
10
12
14
16
18
20
10 102 103 104 105 106
Tem
pspa
rallè
lede
diffu
sion
Nombre n d’agents
τ(n, δ = 10−3)simulations avec δ = 10−3τ(n, δ = 10−2)simulations avec δ = 10−2τ(n, δ = 10−1)simulations avec δ = 10−1
FIGURE – Temps parallèle de convergence de la diffusion de rumeuren fonction de n, avec N = 104.
Analyse probabiliste de protocoles de population
31/50
Diffusion de rumeur
4
6
8
10
12
14
16
10−510−410−310−210−1
Tem
pspa
rallè
lede
diffu
sion
δ
τ(n = 104, δ)simulations avec n = 104τ(n = 103, δ)simulations avec n = 103τ(n = 102, δ)simulations avec n = 102
FIGURE – Temps parallèle de convergence de la diffusion de rumeuren fonction de δ, avec N = 106.
Analyse probabiliste de protocoles de population
32/50
Diffusion de rumeur
Théorèmes 4.2.9 et 4.2.10Pour tout c ∈ R+, nous avons
limn→+∞
P{Tn > cE(Tn)} =
0 si c > 11 − 2e−γK1 (2e−γ) si c = 11 si c < 1,avec 1 − 2e−γK1 (2e−γ) ≈ 0.448429.γ est la constante d’Euler et K1 est la fonction de Bessel modifiée dedeuxième espèce et d’ordre 1, pour z > 0 on a
K1(z) =z4
∫ +∞0
t−2e−t−z2/4tdt .
Analyse probabiliste de protocoles de population
33/50
L’horloge globale
Image : "La Persistance de la mémoire" Salvador Dali, 1931.
Analyse probabiliste de protocoles de population
34/50
Formalisation du problème
Algorithme de l’horloge globale
Ensemble d’entrée Σ = {0}Ensemble de travail Q = NEnsemble de sortie Ξ = NFonction d’entrée : ι = Id{0}Fonction de transitionf : N×N −→ N×N
si x ≤ y , alors (x , y) 7−→ (x + 1, y)si x > y , alors (x , y) 7−→ (x , y + 1)
Fonction de sortie : ω = IdN
Analyse probabiliste de protocoles de population
35/50
Le paradigme à deux choix
En 2018, D. Alistarh 2 et al. ont proposé cet algorithme d’horlogebasé sur le paradigme à deux choix.Gap(t) = max1≤i≤n C
(i)t − min1≤i≤n C
(i)t
En 2010, Y. Peres 3 et al. ont démontré
ThéorèmePour tout t ≥ 0 et σ > 0, il existe des constantes positives a etb indépendantes de t , σ et n, telles que
P {Gap(t) ≥ a(1 + σ) ln (n) + b} ≤ 1nσ
But : déterminer les plus petites valeurs possibles de a et de b
2. D. Alistarh, J. Aspnes and R. Gelashvili. Space-optimal majority inpopulation protocols. SODA 20183. Y. Peres, K. Talwar and U. Wieder. The (1 + β)-choice process and
weighted balls into bins. SODA 2010Analyse probabiliste de protocoles de population
36/50
Formalisation du problème, définition de la mesure
La fonction de transition peut s’écrire pour tout t ≥ 0
(C(i)t+1,C
(j)t+1
)=
(
C(i)t + 1,C(j)t
)si C(i)t ≤ C
(j)t(
C(i)t ,C(j)t + 1
)si C(i)t > C
(j)t
C(k)t+1 = C(k)t si k ̸= i , j∑n
i=1 C(i)t = t
Γ(t) =∑n
i=1
(eα
(C(i)t −t/n
)+ e−α
(C(i)t −t/n
)), avec α > 0
Propriété : Γ(t) ≥ 2eαGap(t)/2
Analyse probabiliste de protocoles de population
37/50
Résultat
En prenant α = 0.2, nous obtenons ces trois théorèmes
Théorème 6.3.12
Pour tout t ≥ 0, nous avons E{Γ(t)} ≤ 2e7.4n
Théorème 6.3.13Pour tout t ≥ 0 et σ > 0, nous avons
P {Gap(t) ≥ 10(1 + σ) ln (n) + 74} ≤ 1nσ
Théorème 7.4.1Pour tout t ≥ 0 et δ ∈]0,1[, nous avons
P {Gap(t) ≥ 10 ln(n)− 10 ln(δ) + 74} ≤ δ
Analyse probabiliste de protocoles de population
38/50
Résultats de simulations
0
2
4
6
8
10
12
14
16
18
20
10 102 103 104 105 106 107
Gap
n
Gap maximalGap moyen
Gap minimal
FIGURE – Gap minimum, moyen et maximum en fonction de n
Analyse probabiliste de protocoles de population
39/50
Résultats de simulations
0
50
100
150
200
250
300
350
400
10 102 103 104 105 106 107
Gap
n
Gap maximalGap moyen
Gap minimala=10, b=74
FIGURE – Résultats de simulations comparés aux résultatsthéoriques avec σ = 1
Analyse probabiliste de protocoles de population
40/50
La détection de convergence
Image provenant du site lebigdata.fr, 2018Analyse probabiliste de protocoles de population
41/50
Pré-requis pour la détection de convergence
Soit P = (Σ,Q,Ξ, ι, f , ω), un protocole de population quelconque,vérifiant ces hypothèses :
L’événement {P converge à l’instant t} est croissantIl existe un instant τ3(n, δ) t. q. pour t ≥ τ3(n, δ), nousavons P {P converge à l’instant t} ≥ 1 − δ
Analyse probabiliste de protocoles de population
42/50
Comment construire un mécanisme de détection deconvergence? (1)
Nous utilisons l’horloge globale et la diffusion de rumeur
L’état du nœud i à l’instant t est le triplet(
T (i)t ,S(i)t ,C
(i)t
):
T (i)t est l’état de l’horloge globale
S(i)t est l’état de la diffusion
C(i)t est l’état du protocole P
Soit τ1(n, δ) = 10 ln n + 10 ln δ + 74 la borne du Gap del’horloge globale avec probabilité supérieure à 1 − δSoit τ2(n, δ) = ln n + 0.5 ln δ, la borne de convergence de ladiffusion de rumeur avec probabilité supérieure à 1 − δ
Analyse probabiliste de protocoles de population
43/50
Comment construire un mécanisme de détection deconvergence? (2)
Soit Tmax = τ1(n, δ/3) + τ3(n, δ/3)
Pour tout i , nous avons T (i)0 = 0 et S(i)0 = 0
Quand les nœuds i et j interagissent à l’instant t , nousavons
Si T (i)t = T(j)t = Tmax − 1, alors S
(i)t+1 := S
(j)t+1 := 1
Sinon
(T (i)t+1,T
(j)t+1
):=
(
T (i)t + 1,T(j)t
)si T (i)t ≤ T
(j)t(
T (i)t ,T(j)t + 1
)si T (i)t > T
(j)t
et(
C(i)t+1,C(j)t+1
):= f
(C(i)t ,C
(j)t
)
Analyse probabiliste de protocoles de population
44/50
Résultat sur la détection de convergence
Soit τ(n, δ) = Tmax+τ2(n, δ/3) = τ1(n, δ/3)+τ2(n, δ/3)+τ3(n, δ/3),i.e. τ(n, δ) = 11 ln n + 10.5 ln δ + 62.46 + τ3(n, δ/3)
Théorème 7.4.3Pour tout δ ∈]0,1[ et t ≥ nτ(n, δ), nous avons
P
{P converge à l’instant t ,S(1)t = 1, . . . ,S
(n)t = 1
}≥ 1 − δ.
De plus, pour tout δ ∈]0,1[, nous avons
P
{∃t , i t.q. S(i)t = 1 et P n’a pas convergé à l’instant t
}≤ 2δ/3
Analyse probabiliste de protocoles de population
45/50
Exemple : surveillance de maladies
Les animaux sont malades (A) ou en bonne santé (B).Quel est le nombre nA d’animaux malades?
Comptage sans la détectionde convergenceÀ différents instants, nous ob-tenons
nA = 11nA = 3nA = 5nA = 5
Comptage avec la détectionde convergenceÀ différents instants, nous ob-tenons
(nA,S) = (11,0)(nA,S) = (3,0)(nA,S) = (5,0)(nA,S) = (5,1)
Analyse probabiliste de protocoles de population
46/50
Détection de convergence - simulations
Tmax = τ1(n, δ/3) + τ3(n, δ/3) = 15.12 ln n − 16.59 ln δ + 58.24
0
50
100
150
200
250
300
350
400
450
500
10 102 103 104 105
Tem
pspa
rallè
lede
conv
erge
nce
Nombre d’agents n
avec détection de convergencesans détection de convergence
FIGURE – Comparaison du temps parallèle de convergence duprotocole de comptage avec et sans détection de convergence enfonction de n, avec δ = 10−6.
Analyse probabiliste de protocoles de population
47/50
Détection de convergence - simulations
T ′max = τ ′1(n, δ/3) + τ′3(n, δ/3) = 1.73 ln n − 1.23 ln δ + 1.05.
0
20
40
60
80
100
10 102 103 104 105 106
Tem
pspa
rallè
lede
conv
erge
nce
Nombre n d’agents
avec détection de convergencesans détection de convergence
FIGURE – Comparaison du temps parallèle de convergence duprotocole de comptage avec et sans détection de convergenceoptimisée en fonction de n, avec δ = 10−6.
Analyse probabiliste de protocoles de population
48/50
Conclusion
Nous avons étudié quatre protocoles : les protocoles dediffusion, de moyenne avec des entiers, de moyenne avecdes réels et le protocole d’horloge.Pour chacun de ces protocoles, nous avons amélioré etexplicité les bornes du temps de convergence.En utilisant ces résultats, nous avons construit unprotocole avec détection de convergence.
Analyse probabiliste de protocoles de population
49/50
Perspectives
Expliciter le temps de convergence d’autres protocoles depopulation.Étudier le protocole d’horloge "moyenne plus un".Rendre plus précises les bornes de convergence des pro-tocoles de population.
À partir de la connaissance précise des différents protocoles, ilsera possible de les assembler de manière efficace et prouvée.
Analyse probabiliste de protocoles de population
50/50
Liste des publications
Yves Mocquard, Emmanuelle Anceaume, James Aspnes, Yann Busnel, BrunoSericola, "Counting with population protocols". NCA, Boston, MA, USA 2015
Yves Mocquard, "Compter avec les protocoles de population". Présentation au11ème Atelier en Evaluation de Performances, Toulouse 2016
Yves Mocquard, Emmanuelle Anceaume, Bruno Sericola "Optimal ProportionComputation with Population Protocols". NCA, Cambridge, MA, USA 2016
Yves Mocquard, Samantha Robert, Bruno Sericola, Emmanuelle Anceaume"Analysis of the Propagation Time of a Rumour in Large-scale DistributedSystems". NCA, Cambridge, MA, USA 2016. Best student paper award
Yves Mocquard, Bruno Sericola, Emmanuelle Anceaume, "Probabilistic Analysisof Counting Protocols in Large-scale Asynchronous and Anonymous Systems ".NCA, Cambridge, MA, USA 2017
Yves Mocquard, Bruno Sericola, Emmanuelle Anceaume, "Balanced allocationand global clock in population protocols : an accurate analysis". SIROCCO,Ma’ale HaHamisha, Israël 2018
Yves Mocquard, Bruno Sericola, Emmanuelle Anceaume, "Probabilistic Analysisof Rumor Spreading Time". INFORMS Journal On Computing (IJOC), 2018
Yves Mocquard, Bruno Sericola, Emmanuelle Anceaume, "Population Protocolswith Convergence Detection". NCA, Cambridge, MA, USA 2018
Analyse probabiliste de protocoles de population
50/50
Analyse probabiliste de protocoles de population