Upload
jena
View
22
Download
0
Embed Size (px)
DESCRIPTION
SurePaths Réunion finale. Novembre 2006. Problématique. Mesure de la disponibilité et de la fiabilité des systèmes redondants Comment évaluer les probabilités de panne, le MTTF ? Chaînes de Markov (temps discret ou continu) - PowerPoint PPT Presentation
Citation preview
SurePaths Réunion finale
Novembre 2006
Problématique
Mesure de la disponibilité et de la fiabilité des systèmes redondants
Comment évaluer les probabilités de panne, le MTTF ? Chaînes de Markov (temps discret ou continu) Espace d’états trop grand où on mesure des probabilités
trop petites Techniques et Outils
Simulation à événements rares Borne Stochastique ou Polyhédrale
et Analyse Numérique Markovienne
Simulation
2 approches pour une problématique unique: simulation d’événements rares
Simulation Parfaite (ID)
Quasi Monte-Carlo (Armor)
Simulation Parfaite
Repose sur le couplage dans le passé pour obtenir un échantillon distribué selon loi stationnaire
Couplage : deux trajectoires de simulation, utilisant la même séquence d’aléas, qui se rejoignent
Partir de tous les points et faire coupler toutes les trajectoires. Utilisation de propriétés de monotonie pour accélérer les simulations
(faire coupler les trajectoires issus des points minimaux et maximaux) identification d’événements monotones unification du formalisme de description d’événements
Simulation Parfaite (2)
Application des techniques de réduction de variance pour améliorer l’erreur d’estimation
Mise en œuvre des techniques de couplages de trajectoires par variables antithétiques
Développement du logiciel PSI 2 introduction d’événements monotones basés sur des tables d’index utilisation de variables antithétiques étude du couplage sur fonction de « reward » pour optimiser le temps de
simulation
Quasi Monte-Carlo
Méthode déterministe convergeant plus rapidement que Monte Carlo, mais champ d’application plus restreint
Randomisation pour une estimation de la variance Contribution récente : développement d’une
méthode (Array-RQMC) très efficace pour simuler les chaînes de Markov sur un espace d’états totalement ordonné
Contribution pour l’évaluation d’événements rares Etude et amélioration des méthodes « d’importance
splitting » Combinaison de ces méthodes avec la technique array-
RQMC Etude et définition de propriétés de robustesse à la rareté
des estimateurs, avec applications en fiabilité Mise en œuvre efficace des estimateurs standards pour
l’analyse d’événements rares ; ajout du calcul des sensibilités
Borne Stochastique
Preuve de plusieurs algorithmes pour construire des bornes stochastiques pour des chaînes de Markov, fonction de la comparaison des distributions (st, icx), de la structure visée pour l’algorithme numérique (souvent la lumpabilité), de l’ordre sur les états (partiel, total)
2 propriétés fondamentales : monotonie stochastique et comparaison de matrices
Comparaison « st » : comparaison trajectorielle Comparaison « icx » : élément extrémal d’une
distribution de même moyenne
Monotonie
La notion de monotonie apparaît comme une notion fondamentale et transversale (événementielle en simulation, sur les opérateurs).
Monotonie : un événement ou un opérateur conserve l’ordre sur les états, sur les variables aléatoires, ou sur les distributions.
Passer d’un ordre total (approche actuelle) à la structure d’ordre partiel naturel au modèle (réseau de files, réseau de Petri) où très souvent on peut montrer la monotonie.
Borne Polyhédrale
Peu de techniques existent pour calculer des bornes de métriques en transitoire.
Nous avons développé une approche permettant de calculer des bornes de la MTTF d’un système (ou de la récompense moyenne cumulée, si le modèle contient des coûts ou des récompenses).
Outils de base : algèbre linéaire et analyse des trajectoires de la chaîne de Markov sous-jacente.
« Stochastic Model checking »
Consiste à évaluer sur tous les états de la chaîne une formule probabiliste impliquant des transitoires, les chemins ou les probabilités stationnaires.
Le « Model checking » Markovien repose sur les chaînes en temps discret ou continu.
On a prouvé la faisabilité des techniques de bornes « st » pour le calcul de tous les types de formules en temps discret ou continu.
Bornes et Algébre de Processus
« Stochastic process algebra » : ajout d’une temporisation exponentielle à une algèbre de processus classique (PEPA à partir de CSP, Hillston, Edimbourg)
Avantage : « Stochastic Model checker » pour PEPA (Birmingham)
Borne « st » et « icx » pour des spécifications PEPA de la distribution d’un temps de cycle ou d’un « Time To Failure »
Surcharge UML vers PEPA et PEPA vers descripteur tensoriel (à la PEPS)
Réseau d’automates stochastiques
Définition et mise en œuvre d’un modèle PH-SAN
Extensions vers un modèle Qu-San Utilisation des MDD Intégration dans PEPS Modularité de PEPS
Collaborations
Intégration dans l’outil PEPS d’un algorithme de borne (extraction de colonne et de lignes à partir du descripteur tensoriel). Publié, ID-PRiSM
Améliorer la précision des bornes « st » par application d’un polynôme sur la matrice de transition. Publié, ID-PRiSM
Simulation parfaite utilisant des techniques de réduction de variance. Publié, ID-ARMOR
Approche mixte (pohyhédrale et stochastique) sur des problèmes de disponibilité. En cours ARMOR-PRiSM.
Collaborations (suite)
Intégration dans PEPS des calculs sur les transitoires. En cours, ID-ARMOR-PRiSM.
Plusieurs algorithmes publiés par PRiSM (transitoires des matrices de classe C, bornes stochastiques sur la disponibilité ponctuelle) suite à des discussions avec ARMOR.
Optimisation du codage des transitions dans une simulation parfaite pour minimiser le temps de couplage. En cours, PRiSM-ID.
Publications
Liste détaillée sur le site. 9 revues ou chapitres de livre 34 conférences internationales. 5 posters ou rapports internes 2 thèses soutenues (I. Sbeity, A. Couto da Silva) 2 thèses à soutenir avant décembre 2007
(A. Busic, S. Younes)
Logiciels
Peps : analyse numérique de chaînes de Markov, structure d’accueil ?
Psi et Psi2 : simulation parfaite pour matrice stochastique quelconque et amélioration pour système monotone (1 dépôt ANL et un autre en cours)
Xborne : les algorithmes de calcul de borne, à modifier pour être intégrables à d’autres outils d’analyse numérique ou de « Stochastic Model Checking ».
Poursuite du projet
Projet Blanc 2005 ID+PRiSM : monotonie stochastique.
Projet Model Checking Stochastique (SETIN 2006) (PRiSM, ID, INT, LAMSADE, Paris I).
Collaboration Versailles Birmingham : SPA + Model Checking + Borne Stochastique : en cours de montage (CNRS DRI puis Europe).
Poursuite du projet (suite)
ARC INRIA sur la simulation d’événements rares (Armor + projets INRIA Aspi, Mathfi, Omega) + Univ. Bamberg+ CWI + EDF + CENA
Collaboration INRIA-FQNRT avec l’Université de Montréal : Quasi-Monte Carlo et Splitting. Séjour Sabbatique à Rennes de P. L’Ecuyer depuis juillet 2006.