AQS Tudo

Pontifcia Universidade Catlica do Rio Grande do Sul Faculdade de Informtica
Avaliao Quantitativa de Sistemas

Rafael Chanin Fernando L. Dotti Paulo Fernandes Afonso Sales
Porto Alegre, agosto de 2005.
iii
Resumo Este documento a primeira verso de um material didtico de apoio disciplina de Avaliao Quantitativa de Sistemas, ministrada aos cursos de Informtica da Faculdade de Informtica da Pontifcia Universidade Catlica do Rio Grande do Sul. Seu uso limitado a este m. A reproduo deste material para outros ns indevida. O documento organizado conforme as principais partes da referida disciplina. Ao longo do documento (assim como da disciplina) so abordados vrios formalismos estocsticos para modelagem de sistemas. Para cada formalismo de modelagem apresentado, procura-se descrevlo informalmente e formalmente, mostrar a forma de soluo a ser empregada, exemplicar, e propor exerccios para xao de conceitos. O captulo de Introduo contextualiza o contedo a ser abordado e traz, de maneira bastante sucinta, alguns conceitos que se consideram dominados pelo leitor do restante do documento. A seguir, dedica-se um captulo a cada um dos temas: Processo de Nascimento e Morte, Cadeias de Markov, Redes de Filas de Espera, Redes de Petri Estocsticas e Redes de Autmatos Estocsticos.
iv
Sumrio
RESUMO LISTA DE TABELAS LISTA DE FIGURAS LISTA DE SMBOLOS E ABREVIATURAS iii vii ix xi
Captulo 1: Introduo
1.1 1.2 1.3 1.4 1.5 1.6 1.7 Motivao . . . . . . . . . . . . . . Avaliao de Sistemas . . . . . . . Tcnicas de Avaliao de Sistemas Fases da Avaliao . . . . . . . . . Medidas de Desempenho . . . . . . Noes de Probabilidade . . . . . . Notao de Teoria das Filas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
1 2 2 4 4 4 6
Captulo 2: Processo de Nascimento e Morte

2.1 2.2 2.3 Denio Informal . . . . . . . Denio Formal . . . . . . . . Soluo . . . . . . . . . . . . . 2.3.1 Soluo para M/M/1/ 2.3.2 Soluo para M/M/C/K Exemplicao . . . . . . . . . Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9
9 10 10 10 11 12 13
2.4 2.5
Captulo 3: Cadeias de Markov

3.1 Denio Informal . . . 3.1.1 Escala de Tempo 3.1.2 Propriedades . . 3.1.3 Exemplo . . . . . Denio Formal . . . . Soluo . . . . . . . . . Exemplicao . . . . . 3.4.1 Descrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
17 18 18 19 19 20 21 21
3.2 3.3 3.4
vi
SUMRIO
3.5
3.4.2 Gerador Innitesimal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.3 Vetor de Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22 23 23
Captulo 4: Redes de Filas de Espera

4.1 4.2 4.3 Denio Informal . . . . . . . . . . . . . . . 4.1.1 Sistema de Filas . . . . . . . . . . . . Denio Formal . . . . . . . . . . . . . . . . Soluo . . . . . . . . . . . . . . . . . . . . . 4.3.1 Soluo para Redes Abertas . . . . . . 4.3.2 Soluo para Redes de Filas Fechadas Exemplicao . . . . . . . . . . . . . . . . . 4.4.1 Exemplicao com rede fechada . . . Exerccios: Filas Abertas . . . . . . . . . . . . Exerccios: Filas Fechadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
25 25 27 28 29 31 32 32 34 35
4.4 4.5 4.6
Captulo 5: Redes de Autmatos Estocsticos

5.1 Denio Informal . . . . . . . . . . . . . 5.1.1 Autmatos Estocsticos . . . . . . 5.1.2 Eventos . . . . . . . . . . . . . . . 5.1.3 Taxas e Probabilidades Funcionais Denio Formal . . . . . . . . . . . . . . 5.2.1 SAN bem denida . . . . . . . . . Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
37 38 40 40 43 46 47
5.2 5.3
Captulo 6: Redes de Petri Estocsticas

6.1 Redes de Petri . . . . . . . 6.1.1 Denio Informal . 6.1.2 Exemplicao . . . Redes de Petri Estocsticas 6.2.1 Denio Informal . 6.2.2 Denio Formal . . 6.2.3 Exemplicao . . . Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
51
51 51 55 56 57 61 61 64 69
6.2
6.3
REFERNCIAS BIBLIOGRFICAS
Apndice A: Armazenamento do Descritor Markoviano de SAN

A.0.1 Exemplicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . A.0.2 Descrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . A.0.3 Tensores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
71
74 74 74
Lista de Tabelas
6.1 Marcaes da Figura 6.10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 73
A.1 Descritor Markoviano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
viii
LISTA DE TABELAS
Lista de Figuras
1.1 2.1 2.2 2.3 2.4 2.5 3.1 3.2 3.3 4.1 4.2 4.3 4.4 4.5 4.6 5.1 5.2 5.3 5.4 6.1 6.2 6.3 6.4 6.5 6.6 6.7 6.8 6.9 6.10 6.11 Estao de servio com m servidores. . . . . . . . . . . . . . . . . . . . . . . . . . Processo de nascimento e morte. . . . . . . . . . . . . Processo de nascimento e morte M/M/1/. . . . . . . Processo de nascimento e morte M/M/1/4. . . . . . . Processo de nascimento e morte M/M/C/K. . . . . . . Exemplicao de um processo de nascimento e morte. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 9 10 11 12 12 17 19 21 26 26 26 28 29 32 39 39 41 42 52 52 53 54 55 57 58 59 59 62 62 74
Andrei Andreyevich Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Modelo em CTMC com quatro estados e seis transies . . . . . . . . . . . . . . Modelo em CTMC com oito estados . . . . . . . . . . . . . . . . . . . . . . . . . Tipos de las . . . . . . . . . . . . . . . . . . . . Exemplo de rede de las fechada . . . . . . . . . Exemplo de rede de las aberta . . . . . . . . . . Rede de las de espera fechada . . . . . . . . . . Rede de la de espera aberta . . . . . . . . . . . Exemplicao com rede de la de espera fechada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Modelo em SAN com 2 autmatos independentes . . . . . . . . . . . . . . . . . CTMC equivalente ao modelo da Figura 5.1 . . . . . . . . . . . . . . . . . . . . Modelo em SAN com 2 autmatos, 1 evento sincronizante e uma taxa funcional CTMC equivalente ao modelo da Figura 5.3 . . . . . . . . . . . . . . . . . . . . Exemplo de representao grca de uma Rede de Petri . Exemplo de uma Rede de Petri marcada . . . . . . . . . . Disparo da transio t1 de uma Rede de Petri . . . . . . . rvore de atingibilidade da Figura 6.2 . . . . . . . . . . . Compartilhamento de recursos com excluso mtua - PN . Exemplo de uma Rede de Petri Temporizada . . . . . . . Exemplo de uma Rede de Petri Estocstica . . . . . . . . rvore de atingibilidade da Figura 6.7 . . . . . . . . . . . Cadeia de Markov equivalente Figura 6.7 . . . . . . . . . Compartilhamento de recursos com excluso mtua - SPN rvore de atingibilidade da Figura 6.10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
A.1 Modelo em SAN com trs autmatos . . . . . . . . . . . . . . . . . . . . . . . . .
LISTA DE FIGURAS
Lista de Smbolos e Abreviaturas

CTMC DTMC PN RS TPN SPN Continuous Time Markov Chains Discrete Time Markov Chains Petri Nets Reachability Set Timed Petri Nets Stochastic Petri Nets 17 18 51 53 56 57
xii
LISTA DE SMBOLOS E ABREVIATURAS
Captulo 1
Introduo
1.1 Motivao
Ao longo de sua vida prossional, o egresso dos cursos da rea de Computao certamente se depara com situaes onde tem que analisar uma situao do ponto de vista quantitativo. A seguir, ilustramos algumas situaes para tentar tornar um pouco mais concretos os aspectos que pretendemos tratar. Situao 1 Suponha que placa de rede de um computador chegam, em mdia, 300 pacotes por segundo. Desprezando as variaes de tamanho de pacote e sabendo que a placa consegue tratar em mdia 500 pacotes por segundo, pergunta-se: quantos pacotes o buer da placa deve poder armazenar para que a probabilidade de perda de pacote seja menor que 1 em 1000 ? Situao 2 Suponha que em um posto do INSS 5 pessoas podem car sentadas a espera. L fora no entanto, uma la de capacidade innita continua, dando voltas e voltas na quadra. Supondo que ningum fura a la e que ningum morre na la, e dado que 18 pessoas por hora entram na la e que o nico mdico do posto atende criteriosamente uma pessoa a cada 3 minutos, diga: (i) Todas pessoas que entram na la podero ser atendidas em prazo limitado? (ii) Quanto % do seu tempo o mdico do posto pode dormir em uma maca a sua disposio? (iii) Qual a probabilidade de haver ao menos 1 pessoa tomando chuva na la, em um dia chuvoso? (iv) Qual a probabilidade de exatamente 2 pessoas estarem tomando chuva? Situao 3 Suponha um sistema operacional embarcado que tem sempre as mesmas 4 tarefas rodando, cumprindo um m especco. A CPU atende cada tarefa em mdia em 5 u.t. (unidades de tempo). Uma tarefa sai da CPU 30% das vezes para esperar entrada do disco, 20% para esperar entrada da rede, e 50% das vezes por seu tempo de uso de CPU ter expirado (voltando para a la ready). O disco atende requisio, em mdia, em 10 u.t. Uma entrada da rede chega em mdia em 20 u.t. Pergunta-se: (i) qual o tamanho mdio da la ready; (ii) dobrar a velocidade de atendimento do disco resulta em alguma modicao signicativa no sistema ?
CAPTULO 1. INTRODUO
Situao 4 Em redes ad-hoc os pontos roteadores utilizam wireless. Cada estao wireless tem um raio de interferncia. Se outra estao estiver neste raio de interferncia, elas no podem transmitir simultaneamente. Imagine uma rota de 10 estaes onde cada estao est no raio de interferncia de outras duas (anterior e posterior). Supondo uso de tecnologia IEEE 802.11: (i) Qual a vazo lquida de dados na rota de 10 estaes ? (ii) Aumentando-se o grau de interferncia (cada estao interfere com 2 antes e 2 depois), qual o impacto na vazo lquida de dados ?
1.2
Avaliao de Sistemas
Avaliar um sistema pronunciar-se sobre as caractersticas de um certo sistema. Dado um sistema real qualquer, uma avaliao deste sistema pode ser denida como toda e qualquer observao feita sobre ele. Neste sendito, existem basicamente dois tipos de avaliao: Avaliao qualitativa: quando existe a necessidade de uma comparao com o senso-comum, ou ainda uma comparao com um referencial de base; Avaliao quantitativa: baseia-se na formulao de valores especcos, sem expressar consideraes dos mritos dos valores obtidos. Em princpio, toda avaliao tem por objetivo o estabelecimento de um julgamento qualitativo sobre o sistema avaliado. No entanto, toda avaliao cientca feita sobre resultados quantitativos. Tais resultados devem ser objetivamente apresentados ao usurio nal, de forma que esse possa tomar decises acerca de seu sistema. Esta disciplina, como o nome sugere, tem foco no aspecto quantitativo. A aplicao prtica da avaliao de desempenho o conhecimento da situao (estado) do sistema avaliado. Tanto situaes anteriores como situaes atuais podem ser avaliadas para tornar possvel a observao da evoluo do sistema. Alm disso, a observao do comportamento do sistema ajuda a entender o seu funcionamento. Podem ser ainda avaliadas situaes futuras, com a nalidade de previso e planejamento. Ainda, dentro do contexto de avaliao de sistemas, cabe salientar que sempre recomendvel um estudo da conabilidade do mtodo; para este m freqente realizar-se a comparao de resultados de diversos tcnicas diferentes.
1.3
Tcnicas de Avaliao de Sistemas
Existem diferentes tcnicas de avaliao de desempenho de sistemas, que so tradicionalmente divididas em trs abordagens distintas [20]:
Monitorao Esta tcnica, como o prprio nome sugere, consiste na observao (monitorao) de sistemas reais. Dentre as tcnicas citadas, esta a que propicia maior delidade dos ndices obtidos, pois no feita nenhuma abstrao (modelagem) do sistema em questo. Porm, h algumas desvantagens visveis desta abordagem, como por exemplo, a necessidade da existncia do sistema a ser avaliado. Isto pode gerar problemas em relao ao custo e ao
1.3. TCNICAS DE AVALIAO DE SISTEMAS
tempo, pois o sistema implementado pode no satisfazer as necessidades, tendo que ser abandonado [20]. Uma outra desvantagem a questo da amostragem. necessrio que se faa o uso correto de tcnicas de estatstica para que os dados recolhidos tenham validade. Simulao Esta abordagem consiste em construir um modelo que simule o funcionamento do sistema a ser avaliado. Este modelo deve descrever as caractersticas funcionais do sistema em uma escala adequada de tempo [20]. Este modelo deve conter os detalhes importantes referentes ao sistema, mas no a sua totalidade. Em outras palavras, h um certo nvel de abstrao. Contudo, deve-se salientar que esta abstrao no deve acarretar na incluso de erros no modelo nem mesmo na excluso de caractersticas importantes. Comparativamente monitorao, a simulao costuma ser menos dispendiosa e consumir menos tempo para que os ndices sejam calculados, permitindo que sejam feitos quantos experimentos forem necessrios. Porm, por se tratar de uma abstrao da realidade, a delidade das medidas tende a ser menor na simulao se compararmos com a monitorao. Alm disso, da mesma forma que na monitorao, a quantidade e representatividade das amostras consideradas muito importante para a obteno de resultados corretos. Mtodos Analticos Esta tcnica de avaliao de desempenho, assim como a simulao, tambm se baseia no desenvolvimento de um modelo do sistema real, porm com um nvel de abstrao mais alto. Neste caso, o modelo puramente matemtico. Neste tipo de modelo, o funcionamento do sistema real reduzido a relaes matemticas. Modelos analticos podem ser determinsticos ou estocsticos. Em um modelo determinstico, todos os parmetros do sistema so previamente determinados. J em um modelo estocstico, o comportamento do sistema analisado probabilisticamente, ou seja, os parmetros do sistema so descritos por variveis aleatrias, com distribuies de probabilidade convenientes. No ltimo caso, o sistema descrito em termos de um conjunto de estados em que o mesmo pode se encontrar e de transies estocsticas entre esses estados (uma transio estocstica aquela cuja ocorrncia descrita por uma varivel aleatria [13]). Desenvolver modelos analticos normalmente exige maior abstrao de aspectos da realidade, se comparado a modelos de simulao. Ainda, em alguns casos, no se consegue obter uma resoluo numrica, mas sim uma resoluo analtica1 . Algumas vezes a complexidade computacional do modelo pode tornar a resoluo muito cara, cando mais dispendiosa que uma resoluo igualmente aceitvel em simulao. Mesmo assim, mtodos analticos podem ser empregados com maior facilidade que outros em vrios casos. Uma vantagem desta tcnica em relao as outras descritas que no h
Exemplicando: uma resoluo numrica, passando por uma relao matemtica dependente do espao de estados (sistema de equaes dependente do espao de estados do problema), pode no ser possvel pois o problema pode ser estado innito. Para alguns de tais casos possvel obter-se soluo analtica forma produto, com frmulas independentes do nmero de estados. Como exemplo cita-se o processo de nascimento e morte M/M/1/.
1
CAPTULO 1. INTRODUO
a necessidade de se preocupar com um conjunto especco de amostras de funcionamento do sistema para a obteno dos ndices de desempenho. Desta forma, o domnio de mtodos anlticos para avaliao de sistemas compreende um ferramental importante para prossionais da rea de Informtica.
1.4
Fases da Avaliao
A avaliao de um sistema exige que sejam seguidos alguns passos: Modelagem: nesta etapa, so realizadas as observaes sobre o sistema e denem-se as abstraes com que se vai trabalhar. A modelagem exige a denio de uma abordagem de modelagem de sistemas. Ao nal desta etapa, tem-se um modelo do sistema considerado; Extrao ou Resoluo: nesta etapa, so realizados os clculos e o processamento necessrio obteno de resultados numricos sobre o sistema a partir do modelo gerado na etapa anterior; Interpretao: a ltima etapa compreende a anlise dos resultados obtidos e a tomada de deciso sobre alteraes e melhorias.
1.5
Medidas de Desempenho
Desempenho pode ser denido como a maneira como um sistema se comporta. Isto , o desempenho de um sistema determinado por suas caractersticas de execuo. Portanto, avaliar o desempenho de um sistema demanda denir quais caractersticas comportamentais interessam ser consideradas. Por exemplo, se quisermos avaliar o desempenho de um automvel, iremos considerar fatores tais como velocidade mxima, capacidade de acelerao (tempo necessrio para ir de 0 Km/h a 100 Km/h), espao de frenagem a uma dada velocidade, consumo mdio de combustvel, etc. Para sistemas computacionais, em geral consideram-se 4 fatores para medida de desempenho: Vazo (throughput): taxa de atendimento de pedidos pelo sistema. Ex.: Sistemas em lotes: jobs por segundo; Sistemas interativos: requisies por segundo; CPU: MIPS ou MFLOPS; Redes: pacotes por segundo (pps) ou bits por segundo (bps); Sistemas de processamento de transaes: transaes por segundo (TPS); Utilizao: fatia de tempo em que o sistema permanece ocupado, atendendo a pedidos; Populao: quantidade de atendimentos a serem feitos em um determinado instante; Tempo de resposta: intervalo de tempo entre o pedido e o incio/concluso do servio.
1.6
Noes de Probabilidade
Fenmeno Determinstico: possvel saber que evento ir acontecer no futuro. Por exemplo, avano de uma msica em uma ta cassete. Sempre se sabe qual ser a msica seguinte, pois a ordem j previamente conhecida;
1.6. NOES DE PROBABILIDADE
Fenmeno Aleatrio: no possvel saber que evento ir acontecer no futuro. Ao lanar uma moeda no h como saber-se qual lado car vista quando a moeda chegar ao solo, mesmo aps inmeros lanamentos; Evento discreto: Considera-se a ocorrncia de um fenmeno apenas em determinados instantes de tempo dentro de um perodo (verica-se fenmeno a cada intervalo de 5 minutos, por exemplo); Evento contnuo: Fenmeno pode ocorrer em qualquer instante de tempo. Varivel aleatria: Uma varivel aleatria uma funo que reete o resultado de uma experincia aleatria. Podemos conhecer seu comportamento para um conjunto de valores, mas no sabemos o valor para uma ocorrncia especca. Por exemplo,lanar uma moeda. Varivel aleatria discreta: Seu conjunto possvel de valores composto por um nmero nito ou innito enumervel de elementos. Varivel aleatria contnua: Quando pode assumir qualquer valor de um intervalo de nmeros reais. Distribuio de probabilidade: No possvel saber de antemo o valor de uma varivel aleatria e, para estud-la, necessrio identicar os valores que ela pode assumir e com que freqncia ela ocorre, ou seja, a sua distribuio de probabilidade. Exemplos: jogar moeda (P(cara), P(coroa)); jogar um dado (P(lado1), ...P(lado6)); jogar dois dados e obter uma determinada soma (P(soma=2), P(soma=3), ... P(soma=12)); probabilidade de obter a primeira cara somente na n=sima jogada (exemplo de distribuio geomtrica); etc. Estes so exemplos de distribuies discretas de probabilidade. Temos tambm distribuies contnuas de probabilidade, quando o fenmeno observado pode assumir qualquer valor de uma escala. Seja a experincia aleatria medir o tempo entre dois eventos, por exemplo: o tempo entre duas requisies chegarem a um servidor; o tempo entre dois pacotes na rede; o tempo entre dois pacotes errados recebidos; tempo entre falhas de um componente eletrnico; tempo decorrido para abrir a porta novamente. Distribuio exponencial: as nicas distribuioes com caracterstica "memoryless"so a geomtrica (discreta) e a exponencial (contnua). "Memoryless"signica, de forma intuitiva, que saber o que aconteceu no passado no ajuda a prever o futuro. Assim, considerando um evento discreto como jogar moeda para cima, saber o resultados anteriores no afeta de maneira alguma as probabilidades associadas prxima jogada de moeda. Considere um evento contnuo, como por exemplo a chegada de trabalhos em um sistema com distribuio exponencial e mdia 5. Se at o instante 4 no foi observada nenhuma chegada de trabalho, isto no aumenta a probabilidade de um trabalho chegar dentro do prximo segundo. Assim, com a caracterstica "memoryless"o prximo estado de um sistema no depende dos estados anteriores. Esta caracterstica propicia a utilizao de mtodos analticos de avaliao. Processo estocstico: um processo estocstico utilizado para modelar fenmenos onde vrias variveis aleatrias ou distribuies so encontradas. Tome-se como exemplo um
CAPTULO 1. INTRODUO
servidor de requisies. Temos duas distribuies envolvidas: (i) a freqncia de chegada de requisies e (ii) o tempo de servio do servidor. Podemos considerar esta realidade, bem como o que desejamos observar dela, como um processo estocstico. Isto d origem a vrias conguraes: Suponha que nosso interesse saber o tamanho da la de requisies a qualquer tempo, ento temos espao de estados discreto (nmero de requisies) e tempo contnuo (observado continuamente); Suponha que o interesse saber o tamanho da la no momento que uma requisio acabou de ser atendida, ento o espao de estados discreto (nmero de requisies) e o tempo discreto tambm (pois s ser medido o tamanho da la quando uma requisio acabar de ser atendida); Suponha que queiramos medir o tempo que uma requisio espera para ser atendida, ento o processo estocsitico estado contnuo (pois est-se medindo algo contnuo, que o tempo de espera) e o tempo discreto (pois mede-se para cada requisio)2 ; Suponha que queiramos medir o tempo para acabar todos os processos em qualquer instante, ento temos um processo estocstico de tempo e espao contnuos. s combinaes so dados tambm os seguintes nomes: Estado Discreto x Tempo Discreto = Cadeia estocstica de tempo discreto; Estado Discreto x Tempo Contnuo = Cadeia estocstica de tempo contnuo; Estado Contnuo x Tempo Discreto = Processo de estado contnuo e espao discreto; Estado Contnuo x Tempo Contnuo = Processo de estado contnuo e tempo discreto. Cadeias estocsticas so tambm chamadas de Cadeias de Markov (MC), dando origem a Cadeias de Markov de Tempo Discreto (DTMC) e de Tempo Contnuo (CTMC). Processo estacionrio: quando no muda com o avanar do tempo t. Processo de Markov: se o prximo estado do processo depende somente do estado atual, i.e., os estados passados no importam na determinao do estado futuro.
1.7
Notao de Teoria das Filas
Um sistema de las com apenas uma la, como pode ser visto na Figura 1.1, consiste de um la de tamanho nito ou innito e de um ou mais servidores identicos. Um servidor atende apenas um cliente por vez, logo pode estar ocioso ou ocupado. Se todos os servidores esto ocupados quando da chegada de um cliente, este ser colocado em um buer (assumindo que h espao) e espera para ser atendido. A seguinte notao, conhecida como notao de Kendall, muito utilizada para decrever sistemas de las: A/B/m/K onde A indica a distribuio da chegada de cliente, B denota a distribuio do tempo de servio, m indica o nmero de servidores (m 1) e K indica o tamanho mximo da la (capacidade). Os seguintes smbolos so normalmente utilizados para A e B :
No se deixe confundir: o que estamos medindo o "espao"e quando medimos o "tempo"do processo estocstico. Se estamos medindo o tempo de espera, ento o "espao do processo estocstico" contnuo; se medimos para cada processo ou quando um processo acaba, ento o "tempo do processo estocstico" discreto.
2
1.7. NOTAO DE TEORIA DAS FILAS
chegada de clientes
. . .
sada
de clientes
m Servidores
Figura 1.1: Estao de servio com m servidores. M: Distribuio exponencial (Memoryless); D: Distribuio determinstica; Ek: Distribuio Erlang com k -fases; Hk: Distribuio Hyperexponential com k -fases. Por exemplo, M/M/1/3 indica que o tempo entre chegadas e o tempo de servio so regidos por distribuies exponenciais, h apenas 1 servidor e a capacidade da la de 3 clientes.
CAPTULO 1. INTRODUO
Captulo 2
Processo de Nascimento e Morte

Neste captulo, apresenta-se as denies informal e formal de processo de nascimento de morte. Em seguida, atravs de um exemplo, mostrado como esse tipo de problema resolvido. Por m, exerccios sobre o tema so sugeridos.
2.1
Denio Informal
Processo de nascimento e morte uma representao atravs de estados e transies entre esses estados de um sistema com uma la simples (Figura 2.1). O nascimento representa a chegada de mais um cliente na la, enquanto a morte representa um cliente que foi atendido. importante frizar que o tamanho desta la pode ser tanto innito quanto nito.
0 1
i+1 i+2
...
...
Figura 2.1: Processo de nascimento e morte. Como pode ser observado na Figura 2.1, representa a taxa que ocorrem nascimentos em um dado estado (taxa de nascimento) e representa a taxa que ocorrem mortes em um dado estado (taxa de morte). Em outras palavras, podemos dizer que a taxa de chegada de clientes e 1 a taxa de servio dos mesmos. Logo, o tempo de chegada entre cliente , em mdia, e o tempo 1 de servio de cada cliente , em mdia, . Alm disso, pode-se observar a razo =

(intensidade de trfego) mostra que:
se > 1, h mais chegadas do que sadas de clientes. O nmero de clientes no sistema ilimitado, o sistema instvel; se < 1, h mais sadas do que chegadas de clientes. Existe uma soluo estacionria para o sistema; se = 1, signica que chega, em mdia, o mesmo nmero de clientes que saem do sistema. Qualquer nmero de clientes no sistema equiprovvel, o sistema instvel.
10
CAPTULO 2. PROCESSO DE NASCIMENTO E MORTE
2.2
Denio Formal
O Processo de Nascimento e Morte pode ser estado nito ou innito, sendo que ambos os casos podem ser solucionados, como visto em seo a seguir. Um Processo de Nascimento e Morte caracterizado pela dupla (M, T ), onde: M T (x, y ) o conjunto de estados; taxa de ocorrncia da transio do estado x para o estado y . T a funo de transio a qual associa uma taxa de ocorrncia de uma transio de um estado para outro. A funo T possui domnio em M M e contradomnio nos R+ , i.e., a funo denida como T : M M R+ .
Note que no Processo de Nascimento e Morte somente so possveis transies entre estados estados vizinhos. Assim, a denio da funo T deve ser restringida. Seja: R uma funo de rotulao R : M N, ou seja a funo R associa um nmero natural a cada estado de M.
Restrio de T (x, y ) usando R: a funo T (x, y ) vlida para todo par de estados x, y tal que R(x) = R(y ) 1 ou R(x) = R(y ) + 1.
2.3
Soluo
Neste documento seo apresentadas duas formas de resolver processos de nascimento e morte. A primeira delas quando o sistema possui capacidade innita e um servidor (M/M/1/), tambm chamado independente de carga. A segunda quando o sistema possui capacidade nita, podendo ter vrios servidores (M/M/C/K), tambm chamado dependente de carga.
2.3.1
Soluo para M/M/1/
0 1
A Figura 2.2 mostra um processo de nascimento e morte M/M/1/.
...
Figura 2.2: Processo de nascimento e morte M/M/1/. Intuio: a probabilidade de estar no estado i depende da probabilidade de estar no estado i 1 e das taxas de sada de i 1 para i e de retorno de i para i 1. Como o somatrio de todas probabilidades tem que ser 1, a probabilidade do primeiro estado (estado 0) determinada sabendo-se a soma de todas outras probabilidades. Desta maneira, para i > 0 temos que a probabilidade de se encontrar no estado i (Pi ) :
Pi = Pi1 ( )
Ou, de outra maneira:
2.3. SOLUO
i Pi = P0 ( )
11
Agora falta encontrar P0 . Sabe-se que:

i0 Pi
=1
Ou seja:
i i0
P0 = 1
Assim tem-se que a probabilidade de se encontrar no estado i = 0 (P0 ) : P0 = Por uma sucesso de manipulaes tem-se: P0 =
1
i0
1
i0
=1=1
Este passo pode ser demonstrado da seguinte maneira1 . Deseja-se mostrar que: 1 =1 i
1 i Ou, invertendo-se: i0 = 1 i Seja Sm = m i=0 +1 i Sm+1 = Sm + m+1 = m i=0 m+1 i m +1 Sm + = 1 + i=1 m +1 i+1 Sm + =1+ m i=0 m m +1 Sm + = 1 + i=0 i m +1 Sm + = 1 + Sm Sm ( Sm ) = 1 m+1 Sm (1 ) = 1 m+1 m+1 Sm = 1 1 Sejam m e < 1: 1 S = 11 = 1 Levando primeira igualdade.
i0
2.3.2
Soluo para M/M/C/K
Este caso pode ser dividido em duas situaes: quando o sistema possui apenas um servidor (M/M/1/K) ou quando possui mais de um servidor (M/M/C > 1/K). A Figura 2.3 ilustra a situao onde temos apenas 1 servidor no sistema e capacidade para 4 clientes.
0 1
Figura 2.3: Processo de nascimento e morte M/M/1/4. Uma forma de solucionar (obter as probabilidades para cada estado) o sistema como segue:
1
Agradecimentos ao Prof. Joo Batista
12
primeiramente atribui-se um peso qualquer para o estado i = 0 (W0 ). Para facilidade de clculos pode-se utilizar W0 = 1; para obter os pesos dos estados onde i > 0 utiliza-se a frmula para o clculo de probabilidades:
i ) = ( ) W0 Wi = Wi1 (
assim obtm-se W0 ..WK pesos para os estados 0 a K. Estes pesos mantm, entre eles, as mesmas propores que as probabilidades P0 ..PK . Assim, deve-se normalizar os resultados obtidos para que a soma das probabilidades seja 1, fazendo: Pi =
Wi K j =0 Wj
Quando C > 1 (Figura 2.4) o modo de resoluo bastante similar, porm, aps atribuir um peso ao estado i = 0 (por exemplo, W0 = 1), utiliza-se a seguinte frmula para obter pesos para os demais estados:
Wi = Wi1 ( min(i,C ) )
Onde min(x,y) = x, se x < y ou min(x,y) = y em caso contrrio. A partir disso, os resultados so normalizados como no caso anterior para obter as probabilidades.
0 1
C1 C
...
3
C2
...
C
(C 1)
Figura 2.4: Processo de nascimento e morte M/M/C/K.
2.4
Exemplicao
Supondo um processo de nascimento e morte M/M/1/4 (Figura 2.5) com taxa de chegada de clientes igual a 2 taxa de servio igual a 4. Vamos calcular a probabilidade da la estar em cada um dos estados.
0 1
Figura 2.5: Exemplicao de um processo de nascimento e morte. Estabelecendo que P0 = 16. temos que:
2.5. EXERCCIOS
13 W0 = 16 = ( ) W0 = ( ) W1 ) W2 = ( = ( ) W3
W1 W2 W3 W4
=8 =4 =2 =1
A soma de todas as probabilidades igual a 31, ento, normalizando os valores obtidos chegamos as probabilidades de se encontrar em cada estado do sistema: P0 P1 P2 P3 P4 = = = = =
16 31 8 31 4 31 2 31 1 31
= 0, 5161 = 0, 2581 = 0, 1290 = 0, 0645 = 0, 0323
2.5
Exerccios
1. A emergncia do Hospital Marcel Neuts possui capacidade para no mximo sete pacientes. Sabe-se que um paciente a cada 7,5 minutos chega na emergncia e que h trs mdicos trabalhando na mesma. Sabe-se tambm que um mdico leva em mdia dez minutos para atender um paciente. a) Logo, deseja-se saber qual a probabilidade da emergncia se encontrar lotada? b) E qual a perda de pacientes por hora? 2. Uma la recebe em mdia um cliente por hora e atende um cliente a cada 12 minutos. Qual a capacidade ideal desta la para que a probabilidade dela se encontrar cheia seja menor do que 8%? 3. Uma mercearia com capacidade para at 5 clientes abre s 10h e fecha s 19h. Neste tempo, 810 clientes chegam para serem atendidos. Dois atendentes atendem um cliente a cada dois minutos por atendente. Caso este problema resulte em um modelo que respeite a hiptese da estacionariedade, qual a populao mdia da mercearia? Caso contrrio, qual o nmero mximo de clientes por dia que a mercearia poderia atender? 4. A avenida Kendal possui um espao de oito carros em seu canteiro central para realizar o seu cruzamento. Porm, possvel que dois carros quem lado a lado no canteiro central para realizar o cruzamento da avenida. Em mdia, a cada 10 segundos chega um carro no cruzamento, enquanto leva-se em mdia 12 segundos para realizar o cruzamento da avenida. a) Com isso, deseja-se saber qual a probabilidade de no haver mais espao no canteiro central para se realizar o cruzamento? Entretanto, a avenida Kendal ir sofrer obras. Logo, o canteiro central no suportar mais dois carros lado a lado e se levar apenas 7,5 segundos em mdia para se realizar o cruzamento. b) Para que o uxo do cruzamento no seja prejudicado, quantos carros o canteiro central precisaria suportar para que a probabilidade de no haver mais espao no mesmo no seja superior ao que ele suporta atualmente?
14


Avenida Kendal

Canteiro Central
Avenida Kendal

5. O setor de reclamaes das lojas Tabajara possui capacidade para no mximo quatro clientes. Sabe-se que chega um cliente a cada 15 minutos para fazer uma reclamao e que h quatro funcionrios trabalhando no mesmo. Sabe-se tambm que um funcionrio leva em mdia 7 minutos para atender um cliente. Qual a probabilidade do setor de reclamaes se encontrar lotado? 6. Uma la com capacidade para at 5 clientes possui 2 servidores, taxa de chegada igual a 10 clientes por hora, e taxa de atendimento igual a 8 clientes por hora. Deseja-se saber: a) Qual a probabilidade da la estar vazia? b) Qual a probabilidade da la estar cheia? c) Qual a perda por hora de clientes? 7. Suponha que em um posto do INSS 5 pessoas podem car sentadas a espera. L fora no entanto, uma la de capacidade innita continua, dando voltas e voltas na quadra. Supondo que ningum fura a la e que ningum morre na la, e dado que 18 pessoas por hora entram na la e que o nico mdico do posto atende criteriosamente uma pessoa a cada 3 minutos, diga: a) Todas pessoas que entram na la podero ser atendidas em prazo limitado? b) Quanto % do seu tempo o mdico do posto pode dormir em uma maca a sua disposio? c) Qual a probabilidade de haver ao menos 1 pessoa tomando chuva na la, em um dia chuvoso? d) Qual a probabilidade de exatamente 2 pessoas estarem tomando chuva? 8. Suponha o mesmo exemplo do INSS, s que somente 5 clientes cam na la. Quando um cliente chega e a la est cheia, ele vai embora (perda). a) Quanto % do seu tempo o mdico do posto pode dormir em uma maca a sua disposio? Compare com os resultados para a la que d voltas na quadra! b) Qual a taxa (clientes por unidade de tempo) de clientes que vo embora, pelo fato da la estar cheia? Suponha agora que um novo mdico contratado para o posto do INSS. A sala de espera continua com os mesmos 5 lugares. Cada mdico atende a um paciente a cada 3 minutos e 18 pacientes tentam entrar no posto por hora. c) Quanto % do seu tempo os mdicos podero dormir ou falar mal do sistema de sade? d) Qual a taxa (clientes por unidade de tempo) de clientes que vo embora pois a la est cheia? 9. Considere um sistema de las simples com um servidor e sem limite de capacidade onde se atende um cliente em 0,1 horas e um cliente chega a cada 0,125 horas. a) A la respeita a hiptese da estacionariedade? b) Qual a probabilidade da la no estar vazia? c) Qual a probabilidade da la ter 1, 2 e 3 clientes?
2.5. EXERCCIOS
15
10. Um banco tem dois caixas que funcionam das 10 horas da manh at as 16 horas da tarde. Desejam ser atendidos no banco, em mdia, 240 clientes por dia. Cada caixa atende em mdia um cliente a cada dois minutos. A recomendao da gerncia manter a la com no mximo 10 clientes. O gerente do banco deve: a) Dispensar um caixa? b) Colocar mais um caixa? c) Colocar mais dois caixas? d) Deixar a la como est? 11. Um roteador serve 3000 pacotes por segundo de um enlace. Supondo que 2000 pacotes so gerados por segundo, qual o tamanho do buer em nmero de pacotes para que seja perdido, em mdia, um pacote por segundo? E aceitando uma perda mdia de 5 pacotes por segundo, que tamanho a la poderia ter?
16
Captulo 3
Cadeias de Markov
Andrei Andreyevich Markov nasceu em 14 de junho de 1856 em Ryazan, Russia, graduouse na Universidade de So Petersburgo (1878) e comeou a atuar como professor na mesma universidade em 1886. A partir de 1900 estudou processos estocsticos. Em 20 julho de 1922 faleceu na ento Petrogrado (agora So Petersburgo), Russia.
Figura 3.1: Andrei Andreyevich Markov Neste captulo, apresenta-se uma denio informal do formalismo de Cadeias de Markov (MC - Markov Chains ). Em seguida, apresenta-se a denio formal de MC escala de tempo contnua (CTMC - Continuous Time Markov Chains ) englobando os conceitos denidos informalmente. Alm disso, demonstra-se as regras necessrias para a obteno do gerador innitesimal de um modelo descrito pelo formalismo de MC, bem como um exemplo completo de obteno do mesmo.
3.1
Denio Informal
O formalismo de Cadeias de Markov [7, 25, 29] um formalismo matemtico para modelagem de sistemas. Atravs do uso de formalismo de MC, possvel descrever o funcionamento de um sistema utilizando um conjunto de estados e transies entre esses estados. As transies entre os estados so modeladas por um processo estocstico de tempo contnuo ou discreto denidos por distribuies exponenciais ou geomtricas respectivamente. Um modelo descrito pelo formalismo de MC pode ser interpretado como uma mquina de estados, onde os nodos da mesma representam os estados e os arcos representam as transies
18 entre os estados do modelo em MC.
CAPTULO 3. CADEIAS DE MARKOV
No decorrer deste documento, adota-se a seguinte notao para a denio dos modelos em MC: Seja x x-simo estado de um modelo, onde 0 o primeiro estado do modelo.
A seguir, apresenta-se a denio das escalas de tempo utilizadas pelo formalismo de MC.
3.1.1
Escala de Tempo
Um modelo descrito pelo formalismo de MC [7, 25, 29] pode ser classicado de acordo com a sua escala de tempo: Cadeias de Markov escala de Tempo Contnua (CTMC - Continuous Time Markov Chains ); Cadeias de Markov escala de Tempo Discreta (DTMC - Discrete Time Markov Chains ). Os modelos em CTMC diferem dos modelos em DTMC basicamente por suas transies entre os estados poderem ocorrer em qualquer instante de tempo e no em pontos discretos de tempo.
3.1.2
Propriedades
Segundo Stewart [25], apresenta-se a seguir as propriedades para a construo de um modelo descrito pelo formalismo de MC. Os estados do modelo so discretos e enumerveis. Assim, o formalismo de MCpermite cadeias de innitos estados. A escala de tempo para a transio entre os estados do modelo pode ser de forma contnua (CTMC) ou discreta (DTMC). A transio entre os estados do modelo depende exclusivamente do estado atual do modelo, sem importar quais foram os estados prvios ou sero os estados futuros do modelo. A taxa (CTMC) ou probabilidade (DTMC) de transio de estados do modelo d-se obedecendo a uma lei exponencial ou geomtrica respectivamente. A representao grca de um modelo em MC feita por autmatos, onde associado para cada estado do autmato um estado do modelo e para cada transio uma taxa (CTMC) ou uma probabilidade (DTMC). Um modelo em MC representado, matematicamente, por uma matriz de transio de estados. A probabilidade de cada estado em regime estacionrio (soluo de um modelo em MC) a soluo do sistema da equao linear: Q = 0, (3.1)
onde Q a matriz de transio de estados e (vetor de probabilidade) o autovetor correspondente ao autovalor unitrio da matriz de transio. importante ressaltar que a soma dos
3.2. DEFINIO FORMAL
19
elementos do vetor de probabilidade deve ser igual a 1, i.e., || ||= 1. Para os modelos em CTMC, a matriz de transio de estados Q denominada de gerador innitesimal, onde cada elemento no diagonal da linha i e coluna j da matriz representa a taxa de transio do estado i para o estado j do modelo. Os elementos diagonais de Q representam o ajuste necessrio para que a soma dos elementos de cada linha seja igual a zero. Para os modelos em DTMC, a matriz de transio de estados P denominada de matriz estocstica, onde cada elemento no diagonal representa a probabilidade de transio entre os estados do modelo. Os elementos diagonais de P representam o ajuste necessrio para que a soma dos elementos de cada linha seja igual a um.
3.1.3
Exemplo
O foco principal deste documento o formalismo de CTMC. Por conseguinte, as explicaes e exemplos apresentados no decorrer deste documento fazem meno para modelos descritos escala de tempo contnua (taxas de ocorrncia ) e no escala de tempo discreta (probabilidades de ocorrncia ). A Figura 3.2 apresenta um modelo em CTMC com quatro estados e seis transies. Cada transio entre um estado e outro possui associada uma taxa de ocorrncia mesma.
0
2 5 3 4 5 2
Figura 3.2: Modelo em CTMC com quatro estados e seis transies A seguir, apresenta-se a denio formal do formalismo de CTMC.
3.2
Denio Formal
Apesar do formalismo de MC permitir cadeias innitas, a soluo para cadeias innitas existe para um conjunto reduzido de casos. Alguns exemplos podem ser encontrados no captulo referente a Processo de Nascimento e Morte. Por outro lado, toda MC nita tem soluo tal como ser apresentada na seo seguinte. Assim, nesta seo considera-se a formalizao de um modelo em CTMC compreendendo um conjunto nito de estados e transies. Sejam M conjunto de estados;
20 |M| (|M| = cardinalidade(M))1 .
O conjunto de estados M compreende |M| estados x, onde x [0..(|M| 1)]2 . Denio 1 T a funo de transio a qual associa uma taxa de ocorrncia de uma transio de um estado para outro. A funo T possui domnio em M M e contra-domnio nos R+ , i.e., a funo denida como T : M M R+ . Seja T (x, y ) taxa de ocorrncia da transio do estado x para o estado y .
Note que nem toda a transio de um estado x para um estado y possui uma taxa no nula determinada pela funo T (x, y ). Seja succ(x) conjunto no vazio dos estados y , tais que possua uma transio do estado x para algum estado y , i.e., succ(x) = {y M | T (x, y ) = 0}.
O conjunto de estados sucessores de um determinado estado x importante para a denio do mtodo de obteno do gerador innitesimal, o qual ser apresentado na prxima seo.
3.3
Soluo
Um modelo em CTMC , de estados nitos, representado, matematicamente, por uma matriz de transio de estados, a qual tambm denominada de gerador innitesimal. Logo, a matriz Q conhecida tanto como matriz de transio de estados como gerador innitesimal. Neste trabalho, adota-se o termo gerador innitesimal para descrever matematicamente um modelo descrito pelo formalismo de CTMC. Seja Q(x, y ) elemento da linha expressa pelo estado x e coluna expressa pelo estado y do gerador innitesimal Q.
Denio 2 Os elementos do gerador innitesimal Q de um modelo em CTMC so denidos por: 2.1. x, y M tal que y succ(x) Q(x, y ) = T (x, y ); 2.2. x M Q(x, x) = T (x, y );
y succ(x)
2.3. x, y M tal que y succ(x) Q(x, y ) = 0.

adotada a notao |X | para denir a cardinalidade de um conjunto X . No decorre deste trabalho, adotada a notao [i..j ] referindo-se a um nmero no intervalo de i at j , inclusive, pertencendo ao conjunto do nmeros naturais; e a notao [i,j ] referindo-se a um nmero pertencente ao intervalo i e j , inclusive, no conjunto de nmeros reais.
2 1
3.4. EXEMPLIFICAO
21
A Denio 2.1 corresponde aos elementos no diagonais do gerador innitesimal, os quais possuem a taxa de ocorrncia da transio do estado x para o estado y . Os elementos diagonais (ajuste diagonal das taxas de ocorrncia das transies entre os estados) do gerador innitesimal esto descritos na Denio 2.2. A Denio 2.3 dene os elementos nulos do gerador innitesimal.
3.4
Exemplicao
Demonstra-se nesta seo um exemplo completo de obteno do gerador innitesimal de um modelo descrito pelo formalismo de CTMC.
3.4.1
Descrio
A Figura 3.3 apresenta um modelo descrito pelo formalismo de CTMC, o qual possui oito estados. Este modelo descreve um buer de requisies de impresso. Este buer faz o gerenciamento de duas impressoras: laser e deskjet. Este buer recebe, em mdia, uma requisio a cada 5 minutos (12 requisies por hora). A impressora laser leva em mdia 2 segundos (1800 folhas por hora) para imprimir uma folha, enquanto a impressora deskjet imprime uma folha em 5 segundos (720 folhas por hora). Um pedido de impresso pode ser atendido tanto pela laser como pela deskjet, respeitando a razo de que para cada hora trabalhada pela impressora deskjet, a impressora laser trabalha por 4 horas.
12 12 12
1800 0,25 1 12 0,25 1
1800 0,25 12 1
1800 0,25 12 1
720
720
720
Figura 3.3: Modelo em CTMC com oito estados Os estados 0, 1, 2 e 3 representam o nmero de requisies no buer (0, 1, 2 e 3 requisies respectivamente) que esto sendo atendidas pela impressora laser. Em contra partida, os estados 4, 5, 6 e 7 representam o nmero de requisies no buer (0, 1, 2 e 3 requisies respectivamente) que esto sendo atendidas pela impressora deskjet. possvel construir o gerador innitesimal do modelo em CTMC, a partir da identicao das taxas de ocorrncia das transies de um estado para outro.
22
3.4.2
Gerador Innitesimal
Primeiramente, identica-se o nmero de estados |M| do modelo para se construir o gerador innitesimal do mesmo. A partir desta informao, o gerador innitesimal ser uma matriz de ordem |M| |M|. Atravs da Denio 2.1, preenche-se os elementos no diagonais do gerador innitesimal, utilizando as taxas de ocorrncia da transio de um estado para outro. Sendo assim, tem o gerador innitesimal com os elementos no diagonais preenchidos: 0 0 1 2 Q= 3 4 5 6 7 1800 1800 1800 1 1 1 1 720 720 720 12 12 12 1 12 2 12 12 3 4 0,25 5 0,25 0,25 0,25 6 7
Observao: seja uma linha i e uma coluna j, l-se que a transio do estado i para o estado j tem taxa dada pela clula (i,j) da matriz. Posteriormente, preenche-se os elementos diagonais (ajuste diagonal das taxas de ocorrncia das transies entre os estados) do gerador innitesimal, utilizando a Denio 2.2. Como a soma de cada linha do gerador innitesimal deve ser igual a zero, o mesmo ca da seguinte maneira aps o ajuste da diagonal: 0 -12,25 1800 1 12 -1812,25 1800 2 12 -1812,25 1800 3 4 0,25 5 0,25 12 -1800,25 -13 720 1 1 12 -733 720 0,25 0,25 12 -733 720 6 7
0 1 2 Q= 3 4 5 6 7
1 1
12 -721
Por ltimo, aplicando a Denio 2.3, preenche-se os elementos nulos do gerador innitesimal. Logo, tem-se o gerador innitesimal do modelo descrito na Figura 3.3: 0 -12,25 1800 0 0 1 0 0 0 1 12 -1812,25 1800 0 0 1 0 0 2 0 12 -1812,25 1800 0 0 1 0 3 0 0 12 -1800,25 0 0 0 1 4 0,25 0 0 0 -13 720 0 0 5 0 0,25 0 0 12 -733 720 0 6 0 0 0,25 0 0 12 -733 720 7 0 0 0 0,25 0 0 12 -721
0 1 2 Q= 3 4 5 6 7
3.5. EXERCCIOS
23
3.4.3
Vetor de Probabilidade
A partir do gerador innitesimal completo de um modelo em CTMC, possvel obter-se a probabilidade de cada estado em regime estacionrio (vetor de probabilidade ) atravs da resoluo da equao (3.1). Sendo assim, por exemplo, somando a probabilidade 3 (buer encontra-se cheio e est sendo atendido pela impressora laser ) com a probabilidade 7 (buer encontra-se cheio e est sendo atendido pela impressora deskjet ), tem-se a probabilidade do buer encontrar-se cheio independentemente de qual impressora est atendendo-o.
3.5
Exerccios
1. Um fast-food tem apenas um funcionrio atendendo cada cliente em um minuto e meio (em mdia). O turno de trabalho neste local vai de 9:00 at 21:00 diariamente. Como este fast-food tinha uma procura de 588 clientes por dia, o dono resolveu empregar mais um funcionrio para atender os clientes. Considerando que o tempo de atendimento de ambos os funcionrios em mdia igual e que no mximo quatro clientes podem estar presentes esperando atendimento ou sendo atendidos, pergunta-se: o dono agiu corretamente? Justique numericamente sua resposta. 2. Seja um laboratrio com quatro pontos de trabalho. Suponha que usurios demandam pontos de trabalho a cada 8 minutos e usam os pontos por cerca de 5 minutos. Suponha ainda que (em mdia) a cada 20 minutos falta luz por 2 minutos e depois da falta de luz todos pontos de trabalho voltam a car livres. Pergunta-se qual a probabilidade de pelo menos 2 pontos de trabalho estarem livre e prontos para utilizao? Obs: Suponha que todos tempos variam segundo distribuio exponencial. 3. Um servidor recebe em mdia uma requisio a cada 20 segundos. Este servidor consegue armazenar no mximo quatro requisies. As requisies levam em mdia 5 segundos para serem atendidas. A cada meia hora ocorre um problema no servidor e este desligado, levando em mdia 5 minutos para ser ligado novamente. Quando isso ocorre, todas as requisies armazenadas no buer do servidor so perdidas. Deseja-se saber: quantas horas no dia o servidor encontra-se desligado? 4. A farmcia Souza e Silva possui apenas um funcionrio que ca a espera de clientes. Sabese que a cada dez minutos chega um cliente na farmcia para o funcionrio atend-lo. Por razes de segurana, a farmcia ca fechada e o cliente atendido na porta de grade. Como a rua movimentada, na verdade no s h lugar para o cliente em atendimento. Se outro cliente chegar enquanto um est sendo atendido, ele vai embora pois no quer car parado na calada movimentada. O funcionrio leva em mdia trinta segundos para procurar o pedido do cliente. Porm, 75% das vezes, o medicamento solicitado no se encontra no balco e o funcionrio obrigado a se deslocar para as prateleiras a procura do mesmo. Quando isso ocorre, o funcionrio leva mais trinta segundos para procurar o medicamento nas prateleiras. Aps encontrado o medicamento, o funcionrio leva em mdia dois minutos para nalizar a compra e voltar a espera de novos clientes. Com isso, deseja-se saber: (i) qual a probabilidade do funcionrio se localizar nas prateleiras a procura de medicamentos? (ii) quanto tempo o funcionrio no est atendendo clientes que vem na farmcia e poderia, por exemplo, empacotar os tele-pedidos, caso o Sr. Souza e Silva decida abrir este ramo?
24
(iii) quantos clientes chegam na farmcia mas vo embora pois tinha algum sendo atendido ? 5. A farmcia Souza e Silva sob nova administrao a farmcia mencionada no exerccio anterior, que foi assumida pelo lho do Sr. Souza e Silva. O rapaz achou que poderia reduzir a perda de clientes criando um espao para um cliente car esperando enquanto outro atendido. Calcule o ganho de clientes com esta deciso. 6. Uma sex shop atende dois tipos de clientes. O primeiro tipo de cliente (tipo A) demora 8 minutos para escolher o produto, o segundo tipo de cliente (tipo B) demora 1 minuto escolhendo (que pressa!). Um funcionrio do caixa demora 2 minutos para efetuar a venda. Na la nica do caixa cabem 4 clientes e h dois funcionrios para atender a todos os clientes, sem nenhum tipo de prioridade. Esta loja recebe 32 clientes do tipo A e 48 clientes do tipo B em um dia de trabalho (8 horas). Qual a probabilidade da la do caixa desta loja estar cheia? 7. Um posto de gasolina ca aberto das 7:00 s 2:00. Recebe cerca de 380 clientes por dia, tem apenas 1 bomba, suporta no mximo 4 carros e tanto o dono quanto um empregado atendem os clientes. O dono trabalha (em mdia) 1 hora em cada 6. O empregado trabalha (em mdia) 5 horas em cada 6. O dono atende 2 clientes em 15 minutos e o empregado atende 1 cliente em 5 minutos. Pergunta-se: a) quantos clientes o posto perde por dia? b) qual a probabilidade do posto estar vazio? c) vale a pena colocar mais um empregado (com mais 1 bomba no posto) sabendo-se que um empregado custa R$ 1000,00 por ms (30 dias) e cada clienteda um lucro de R$ 10,00? Assuma que os empregados trabalham nos mesmos horrios (fazem folga juntos).
Captulo 4
Redes de Filas de Espera

O formalismo de Redes de Filas de Espera foi introduzido por Jackson nos anos 50 [12] e teve um grande avano quando solues forma-produto foram propostas em meados de 70 [3, 13, 23]. A popularidade deste formalismo est no fato de ser uma idia bastante intuitiva, onde clientes (ou requisies ) passam por las (ou servidores ). Muitas extenses do formalismo apresentam aproximaes [5, 6, 28] e at mesmo propostas de solues forma-produto [10, 8, 24, 27]. No entanto, difcil combinar e utilizar todas as tcnicas propostas na literatura am de aumentar sistematicamente o escopo da tradicional Rede de Filas de Espera com soluo forma-produto. Neste captulo so apresentadas as denies formais e informais para redes de las abertas e fechadas, bem como tcnicas para sua soluo. Apesar da descrio formal apresentada ser genrica, sero apresentadas tcnicas de soluo somente para las com uma nica classe de clientes.
4.1
Denio Informal
Qualquer sistema que consiste na chegada de requisies de servio para um ou mais recursos (servidores) pode ser chamado sistema de las de espera, ou sistema de las. Dependendo dos tempos de chegada dessas requisies, las so formadas com clientes esperando pelo uso do recurso de interesse. Em algumas situaes supe-se que servidores possuam capacidade innita de armazenamento de requisies de servio, am de facilitar a modelagem do sistema em questo. O comprimento das las de um sistema de las depende basicamente de dois aspectos: a taxa mdia com que as requisies so feitas e as utuaes estatsticas dessa taxa. Obviamente, se a taxa de chegada de clientes maior do que a taxa de atendimento dos mesmo, as las crescero indenidamente. Porm, mesmo quando a taxa de chegada de clientes menor do que a taxa de atendimento, las podem se formar devido a utuaes estatsticas e variaes momentneas da taxa de chegada de clientes, uma vez que essas duas taxas (chegada de clientes e atendimento) so denidas por variveis aleatrias. Quando num nico sistema existem duas ou mais las interligando os caminhos que os clientes podem percorrer, tal sistema denominado rede de las de espera, ou simplesmente rede de las. A gura 4.1 apresenta os possveis tipos de las que um sistema de las pode possuir.
4.1.1
Sistema de Filas
Redes de las de espera so classicadas segundo trs critrios ortogonais, a saber: permanncia dos clientes na rede: quando o nmero total de clientes na rede constante,
26
CAPTULO 4. REDES DE FILAS DE ESPERA
Capacidade ilimitada
Capacidade limitada
Delay (clientes nunca esperam)
Figura 4.1: Tipos de las no havendo entrada nem sada dos mesmos, diz-se tratar de uma rede de las fechada (Figura 4.2); caso contrrio, com entrada e sada de clientes causando uma variao no nmero total dos mesmos, trata-se de uma rede de las aberta (Figura 4.3); nmero de seridores por estao: uma estao monoservidora possui apenas um servidor, enquanto que uma estao multiservidora possui mais de um; tipos de clientes: em uma rede monoclasse todos os clientes so iguais e recebem o mesmo tratamento pelas estaes servidoras, j em uma rede multiclasse os clientes recebem tratamento diferenciado, de acordo com a classe que pertenam.
2 1 3
Figura 4.2: Exemplo de rede de las fechada
2 1 3
Figura 4.3: Exemplo de rede de las aberta
4.2. DEFINIO FORMAL
27
4.2
Denio Formal
A estrutura de uma rede de las de espera (QN) compreende um conjunto M de las ; um conjunto R de diferentes classes de clientes; uma funo P que dene as probabilidades de rotao entre las e N clientes para cada classe. Ento, a estrutura de uma rede de las de espera uma tupla QN = (M, R, P , N ), onde: - M um conjunto de las Q, onde | M | representa o nmero de las no modelo; - R um conjunto de diferentes classes de clientes; - P M M com dom(M) e codom([0..1]); - N o nmero de clientes para cada classe, onde | N |=| R |.
r a probabilidade de um cliente de uma classe r , a qual recebeu servio Denota-se por Pi,j na la Qi , ser roteado da la Qi para a la Qj . Esses parmetros podem ser utilizados para computar a taxa mdia de visita de clientes (Vir ) da classe r na la Qi . N r denota o nmero de clientes de cada classe. Para redes de las de espera fechadas, o valor de N r sempre nito, enquanto para redes abertas esses valores podem ser innitos. Uma la composta por no mximo K clientes (capacidade); por um nmero C de servidores ; por um conjunto S com tempos mdios de servio para cada classe de clientes; por um conjunto L com a taxas mdias de chegada de clientes de cada classe; por um conjunto B de comportamento de clientes em cada classe; e um conjunto D de prioridades entre classes. Ento, a estrutura de uma la uma tupla Q = (K, C, S , L, B , D), onde:
- K a capacidade da la; - C o nmero de servidores disponveis; - S um conjunto de tempos mdios de servio (u.t./cli)1 ; - L um conjunto de taxas mdias de chegada de clientes (cli/u.t.); - B um conjunto de comportamentos de clientes; - D um conjunto de disciplinas de servios (prioridade entre classes de clientes), onde | D | = | R |. Dene-se Ki como o nmero de clientes (capacidade) e Ci como o nmero de servidores r o tempo mdio de servio necessrio para atender um cliente de uma disponveis na la Qi . Si classe r na la Qi . A taxa mdia de chegada de clientes de uma classe r em uma la Qi vinda do exterior do modelo denotada por Lr i. r denota o comportamento dos clientes de uma classe r roteados da la Q para a la Bi,j i Qj quando Qj est cheia: o comportamento pode ser de perda 2 (o cliente deixa o sistema), ou bloqueio (a la Qi para de enviar clientes para a la Qj at que esta no esteja cheia.) Di denota o conjunto de prioridades, onde o valor de cada prioridade [1, | R |] (o valor 1 a maior prioridade, enquanto | R | a mais baixa prioridade). Os ndices de desempenho que podem ser calculados de uma QN so: dr i - vazo mdia de clientes da classe r sando da la Qi ;
1 2
u.t. signica unidades de tempo; cli signica cliente Apenas Redes Abertas pode ter perda de clientes.
28
ur i - mdia de utilizao dos servidores de Qi pelos clientes da classe r ; nr i - nmero mdio de clientes da classe r na la Qi ;
r - tempo mdio de resposta de clientes da classe r na la Q . wi i
4.3
Soluo
A clculo dos ndices de desempenho para redes abertas difere do clculo dos ndices para redes fechadas, pois, como mencionado anteriormente, redes abertas tm a caracterstica de receber clientes de fora do modelo (Li ), enquanto redes fechadas no recebem clientes de fora do modelo, possuindo um nmero xo de clientes (N ). O primeiro passo para encontrar os ndices de desempenho, tanto para redes abertas quanto para redes fechadas, encontrar a taxa mdia de visita de cada la (Vi ). A taxa de visita de uma la i a proporo de clientes do sistema que passa por essa la. Clculo das taxas de visita para redes fechadas. Para calcular as taxas de visita em uma rede fechada, vamos utilizar rede da Figura 4.4 como exemplo.
0.8
2 1
0.2
Figura 4.4: Rede de las de espera fechada Pode-se notar que a quantidade de clientes que passa por uma determinada la relacionada s outras las devido s probabilidades de rotao. Fica direto observar que a quantidade de clientes que passa em na la 3 20% da quantidade de clientes que passa na la 1. Neste caso temos que: V3 = (0.2 V1 ), pois a la 3 recebe 20% dos clientes da la 1; V1 = V3 + (0.5 V2 ), pois a la 1 recebe todos os clientes que saem da la 3 mais metade dos clientes que saem da la 2; V2 = (0.8 V1 ) + (0.5 V2 ), pois a la 2 recebe 80% dos clientes da la 1 mais metade dos clientes que saem da prpria la 2. Com isto obtm-se um sistema de equaes solvel indeterminado. Como a taxa de visita uma proporo, pode-se assumir um valor qualquer para uma la especca e calcular as taxas das outras las levando o valor assumido em considerao. Por exemplo, pode-se assumir V1 = 1 e calcular V2 e V3 .
4.3. SOLUO
29
Clculo das taxas de visita para redes abertas. Em redes abertas, como no existe uma relao entre as sadas da rede e suas entradas, no se obtm um conjunto de equaes que permita calcular as taxas de visita. Assim, um artifcio utilizado fechar o sistema com uma la auxiliar no modelo, a qual absorver todas as sadas e servir como entrada para as las que recebem clientes de fora do modelo (Figura 4.5). Intuitivamente, podemos entender a la auxiliar, inserida no modelo, como representante do "ambiente"ou "resto do mundo"com relao quela rede de las aberta. A rede aberta recebe e develove clientes do "resto do mundo". Ao utilizar este artifcio deve-se atentar para que a proporcionalidade nas entradas de clientes da rede aberta seja mantida.
3 cli/u.t.
0.8 2 cli/u.t.
0.2
Figura 4.5: Rede de la de espera aberta Neste exemplo, a la X a la auxiliar. Assume-se que sua taxa de visita tem valor 1. Neste caso temos que: Vx = 1; V1 = ( 2 5 Vx ) + (0.5 V3 ), pois a la 1 recebe mais metade dos clientes da la 3; V2 = ( 3 5 Vx ) + (0.8 V1 ), pois a la 2 recebe mais 80 % dos clientes da la 1;
2 5
dos clientes que vm de fora do sistema dos clientes que vm de fora do sistema
3 5
V3 = (0.2 V1 ), pois a la 3 recebe 20 % dos clientes da la 1. Resolvendo o sistema de equaes, encontra-se V1 , V2 e V3 . Tendo em mos as taxas de visitas das las, possvel calcular os ndices de desempenho do modelo em questo. Nas prximas sees, ser apresentado como esses ndices so obtidos tanto para redes abertas, quanto para redes fechadas.
4.3.1
Soluo para Redes Abertas
Esta seo mostra como os dices de desempenho podem ser obtidos para redes de las abertas.
30
Fluxo Mdio ou Vazo Mdia de uma la i (di ). O primeiro ndice a ser calculado di , que representa o uxo mdio de clientes no sistema. Intuio: o uxo de clientes por uma la depende do total de clientes que entram no sistema e da proporo de clientes que so roteados para esta la no sistema. Assim, este ndice obtido multiplicando-se a taxa de visita da la em questo pelo total de entradas no sistema. Assim temos que: di = v i
M j =1 Lj
Unidades: note que vi uma proporo, no tendo unidades, e Lj cli/u.t.. Assim di dado em cli/u.t., ou seja o nmero de clientes que passa pela la i por unidade de tempo. ndice de Utilizao de uma la i (ui ). Tendo-se o uxo mdio de cada la, possvel calcular o ndice de utilizao de cada la, ou seja a porcentagem de utilizao de cada la do sistema. Intuio: o tempo que o servidor de uma la ca ocupado depende do nmero de clientes que passam pela la (uxo mdio) e do tempo necessrio para servir cada cliente (tempo de servio). Assim: ui = di Si Unidades: note que di dado em cli/u.t e Si dado em u.t./cli. Assim ui no tem unidade, representando um ndice de ocupao da la. Caso ui > 1 , signica que a la est acima da ocupao mxima possvel (100e assim no possvel fazer uma anlise estacionria do sistema, pois h pelo menos uma la que recebe mais requisies do que ela pode atender. Tempo de Resposta de uma la i (wi ). Para se obter a frmula para o clculo do tempo de resposta utiliza-se a Lei de Little e o Teorema da Chegada. A Lei de Little diz que a populao de uma la igual ao tempo de resposta vezes o uxo da mesma (ni = wi di ). Essa frmula pode ser entendida com o seguinte exemplo: supondo o um curso que possua 9 semestres e que entram 80 alunos por semestre. Os 9 semestres so o tempo de resposta enquanto os 80 alunos por semestre o uxo. Logo, tem-se a populao de 720 alunos. O Teorema da Chegada diz respeito ao tempo de resposta em uma determinada la (wi = Si + (ni Si )). Essa frmula pode ser entendida da seguinte forma: o tempo que demorar para um determinado cliente ser atendido o tempo para atender os clientes que j esto na la (ni Si ) mais o tempo para o prprio cliente ser atendido (Si ). A partir da, possvel deduzir outra forma de calcular o tempo de resposta onde no se faz necessrio conhecer ni : ni = wi di (Lei de Little) wi = Si + ni Si (Teorema da Chegada) ui = di Si (Taxa de Utilizao) wi = Si + (wi di ) Si (usando: Teorema da Chegada e Lei de Little) wi = Si + wi ui (usando: Taxa de Utilizao) Si = wi (wi ui ) Si = wi (1 ui ) Si wi = 1 ui Unidades: note que 1 ui no tem unidade e Si est em u.t./cli. Assim, wi o nmero de unidades de tempo de espera por cliente.
4.3. SOLUO
31
Populao Mdia de uma la i (ni ). A populao mdia de cada la pode ser obtida atravs da lei de Little. Porm, possvel calcular a populao mdia conhecendo apenas a taxa de utilizao da la em questo (sem precisar do tempo de espera - wi ):
Si wi = 1 ui (Tempo de Resposta) ni = wi di (Lei de Little) ui = di Si (Taxa de Utilizao) Si ni = 1 ui di (usando: Tempo de Resposta e Lei de Little) ui ni = 1 ui (usando: Taxa de Utilizao)
4.3.2
Soluo para Redes de Filas Fechadas
Como pode-se notar, em redes abertas os demais ndices de desempenho dependem do uxo di , e o uxo depende das taxas de entrada. Em redes fechadas no h entradas mas sim um nmero de clientes que "habitam"o sistema. Assim, a forma de soluo diferente. Os ndices de desempenho para redes fechadas dependem do nmero de clientes no sistema. Por exemplo: intuitivamente pode-se aceitar que a ocupao de uma la de uma rede de las fechada com 1 cliente menor que a mesma rede com 10 clientes. Assim, para redes fechadas calcula-se os ndices de desempenho em funo do nmero de clientes existentes no sistema (N ). Considerando N = 0, sabe-se que a populao de cada la 0, ou seja: ni (0) = 0 Esta obviedade til ao ser combinada com o Teorema da Chegada. O Teorema da Chegada diz que o tempo de espera de um cliente na la depende do nmero de clientes na la (populao) e do tempo de servio da la. Assim, o tempo de servio de uma la considerando 1 cliente no sistema depende do tempo de servio da la e da populao da la com 0 clientes, ou seja wi (1) = Si (1 + ni (0)). Esta frmula generalizada como abaixo e utilizada para o clculo incremental (N = 1, 2, 3, ...) dos ndices de desempenho at atingir o tamanho da populao desejada para anlise. Ou seja, a partir de ni (N ), possvel calcular o tempo de resposta para todas as las quando h N + 1 clientes no sistema. wi (N + 1) = Si (1 + ni (N )) Para o clculo dos demais ndices de desempenho, faz-se necessrio o uxo de clientes. Em um rede fechada, no faz sentido falar em uxo de clientes do mesmo modo como nas redes abertas, pois no h clientes vindo de fora do sistema nem clientes que saem do sistema. Em redes fechadas sempre temos N clientes na rede. Intuio: considere a toda a rede fechada como um sistema fechado com uma nica la. Para este sistema de uma nica la, a populao N (nro. de clientes no sistema). Ainda, o tempo de espera da la que representa o sistema como um todo uma ponderao dos tempos de espera das diversas las que compem a rede considerando a proporcionalidade do seu uso (taxa de visitas). Utilizando a Lei de Little podemos extrair um ndice de uxo para a rede como um todo. Chamemos de d0 (N ) o uxo da rede como um todo, considerando N clientes. Temos: di = ni /wi (Lei de Little) d0 (N ) = M N
j =1
wj (N )Vj
32
A partir de d0 (N ), o uxo da rede como um todo considerando N clientes na rede, deriva-se o uxo de cada la i com N clientes na rede: di (N ) = d0 (N ) Vi Agora, tambm atravs da lei de Little, possvel calcular a populao mdia de uma la i quando h N clientes na mesma: ni (N ) = wi (N ) di (N ) Dessa forma, tendo a populao mdia das las quando temos N clientes no sistema (ni (N )), possvel calcular o tempo de resposta das las com poplulao (N + 1) utilizando wi (N + 1) = Si (1 + ni (N )), como explicado acima. A partir disso novamente o uxo e a populao mdia quando temos N + 1 clientes no sistema podem ser calculados. E assim sucessivamente, at o nmero de clientes que se queira vericar os ndices de desempenho. Este algoritmo iterativo chama-se Algoritmo MVA para redes fechadas (Mean-Value Analysis). A utilizao de uma dada la i quando h N clientes na rede obtida atravs da mesma frmula para redes abertas: ui (N ) = di (N ) Si
4.4
Exemplicao
Trabalharemos com dois exemplos. O primeiro com rede aberta e o segundo com rede fechada.
4.4.1
Exemplicao com rede fechada
Para a rede fechada mostrada na Figura 4.6, vamos calcular os ndices de desempenho sabendo que S1 =2 u.t., S2 =5 u.t. e S3 =4 u.t. para uma populao de 3 clientes no sistema.
0.7
2 1
0.3
Figura 4.6: Exemplicao com rede de la de espera fechada Assim como em redes abertas, o primeiro passo calcular as taxas de visitas das las do sistema, o que nesse caso bastante intuitivo: V1 = 1 V2 = 0.7 V3 = 0.3
4.4. EXEMPLIFICAO
33
Sabemos que: n1 (0) = 0 n2 (0) = 0 n3 (0) = 0 Ento podemos calcular os ndices de desempenho quando a rede possui 1 cliente: wi (N ) = Si (1 + ni (N 1)) w1 (1) = S1 (1 + n1 (0)) = 2 (1 + 0) = 2 w2 (1) = S2 (1 + n2 (0)) = 5 (1 + 0) = 5 w3 (1) = S3 (1 + n3 (0)) = 4 (1 + 0) = 4 d0 (N ) = d0 (1) =
N wj (N )Vj 1 = (21)+(501 M .7)+(40.3) j =1 wj (1)Vj
M j =1
1 6.7
= 0.1493
di (N ) = d0 (N ) Vi d1 (1) = d0 (1) V1 = 0.1493 1 = 0.1493 d2 (1) = d0 (1) V2 = 0.1493 0.7 = 0.1045 d3 (1) = d0 (1) V3 = 0.1493 0.3 = 0.0448 ni (N ) = wi (N ) di (N ) n1 (1) = w1 (1) d1 (1) = 2 0.1493 = 0.2986 n2 (1) = w2 (1) d2 (1) = 5 0.1045 = 0.5225 n3 (1) = w3 (1) d3 (1) = 4 0.0448 = 0.1792 Neste momento temos os ndices de desempenho quando o sistema possui 1 cliente. Como queremos os ndices quando o sistema possui 3 clientes, temos que continuar as iteraes. Note que possvel vericar se os clculos esto corretos vericando a populao mdia das las. Se a soma dos ni (N ) de todas as las resultar em um nmero diferente de N , signica que algum clculo no foi feito corretamente. Podemos vericar que n1 (1) + n2 (1) + n3 (1) 1. Neste caso a soma no resultou exatamente o valor 1 devido aos arredondamentos. Como os clculos esto corretos, podemos continuar as interaes: wi (N ) = Si (1 + ni (N 1)) w1 (2) = S1 (1 + n1 (1)) = 2 (1 + 0.2986) = 2.5972 w2 (2) = S2 (1 + n2 (1)) = 5 (1 + 0.5225) = 7.6125 w3 (2) = S3 (1 + n3 (1)) = 4 (1 + 0.1792) = 4.7164 d0 (N ) = d0 (2) =
N wj (N )Vj 2 2 = (2.59721)+(7.6125 M 0.7)+(4.71640.3) j =1 wj (1)Vj
M j =1
2 9.3411
= 0.2141
di (N ) = d0 (N ) Vi d1 (2) = d0 (2) V1 = 0.2141 1 = 0.2141 d2 (2) = d0 (2) V2 = 0.2141 0.7 = 0.1499 d3 (2) = d0 (2) V3 = 0.2141 0.3 = 0.06423
34
ni (N ) = wi (N ) di (N ) n1 (2) = w1 (2) d1 (2) = 2.5972 0.2141 = 0.5561 n2 (2) = w2 (2) d2 (2) = 7.6125 0.1499 = 1.1411 n3 (2) = w3 (2) d3 (2) = 4.7164 0.06423 = 0.3030 Como n1 (2) + n2 (2) + n3 (2) 2 podemos partir para a ltima iterao: wi (N ) = Si (1 + ni (N 1)) w1 (3) = S1 (1 + n1 (2)) = 2 (1 + 0.5561) = 3.1120 w2 (3) = S2 (1 + n2 (2)) = 5 (1 + 1.1411) = 10.7055 w3 (3) = S3 (1 + n3 (2)) = 4 (1 + 0.3030) = 5.2116 d0 (N ) = d0 (3) =
N wj (N )Vj 3 3 = (3.11201)+(10.7055 M 0.7)+(5.21160.3) j =1 wj (1)Vj
M j =1
3 12.1693
= 0.2465
di (N ) = d0 (N ) Vi d1 (3) = d0 (3) V1 = 0.2465 1 = 0.2465 d2 (3) = d0 (3) V2 = 0.2465 0.7 = 0.1726 d3 (3) = d0 (3) V3 = 0.2465 0.3 = 0.0740 ni (N ) = wi (N ) di (N ) n1 (3) = w1 (3) d1 (3) = 3.1120 0.2465 = 0.7671 n2 (3) = w2 (3) d2 (3) = 10.7055 0.1726 = 1.8467 n3 (3) = w3 (3) d3 (3) = 5.2116 0.0740 = 0.3851 Como n1 (3) + n2 (3) + n3 (3) 3, temos os ndices de desempenho quando o sistema possui 3 clientes.
4.5
Exerccios: Filas Abertas
1. Dada as probabilidades dos estados globais da rede de la de espera abaixo, qual a populao mdia da la 1 e la 2?
C1 = 1
0.3
S1 = S2 =
C2 = 1 K1 = 2
2
1 1 1 2
L1 = 1
0.7
K2 = 3
p03 = 0, 0584 p13 = 0, 0362 p23 = 0, 0201
p00 = 0, 2340 p10 = 0, 1206 p20 = 0, 0679
p01 = 0, 1629 p11 = 0, 0817 p21 = 0, 0382
p02 = 0, 1033 p12 = 0, 0516 p22 = 0, 0249
2. Dada a rede de las abaixo, qual o maior tempo de servio possvel para cada la (utilizando 4 casas de preciso) de modo que a rede respeite a hiptese da estacionariedade? (2,5 pontos)
4.6. EXERCCIOS: FILAS FECHADAS

0,2
35
0,5
0,4 3 0,6 1 2
i
0,8
Si ? ? ?
Li 1,5 0 0,5
1 2 3
1,5
3. Dada a rede de las de espera aberta abaixo, qual o maior tempo de servio possvel para cada la (utilizando 4 casas de preciso) de modo que a rede respeite a hiptese da estacionariedade?
i 1 2 3 4 Si Li Vi ? 0,5 1 ? 0 0,5 ? 0 0,75 ? 0 1
2 1 3 4
4. Dada a rede de las abaixo, calcule os ndices de desempenho (uxo mdio, ndice de utilizao, populao mdia e tempo mdio de resposta) das las.
0,1 0,5
i
0,8 3 0,1 0,6
Si
Li
0,2 1,5 1 2
1 2 3 4
0,5 1,5 0,2 0 0,25 0,5 0,75 0
0,2
5. Dada a rede de las abaixo, calcule os ndices de desempenho (uxo mdio, ndice de utilizao, populao mdia e tempo mdio de resposta) das las.
i
0,2 2 0,3 0,3 1 3 0,7 4 0,1 0,6 0,4 0,1 0,8
Si 2,5 1,5 0,5 1,5
Li 0,3 0,2 0 0
1 2 3 4
4.6
Exerccios: Filas Fechadas
1. Dada a rede de las abaixo, pergunta-se qual a populao mdia da la 4 quando houverem 3 clientes na rede.
36

i
0,9 0,8 1 0,2 2 0,2 4 0,1
Si 2 1,5 0,5 2,5
n i (2) 0,6974 0,4276 0,0263 ?
1 2 3 4
0,8
2. Assumindo que o nmero total de clientes da rede de las abaixo igual a 3, calcule os ndices de desempenho das las quando estas tiverem 3 clientes.
0,3
i
0,2 2 0,6 1 0,8 3 0,4 4 0,7
Si 2 0,5 1,5 2,5
1 2 3 4
3. Dada a rede de las de espera fechada abaixo, qual a populao mdia da la 3 quando houverem 6 clientes na rede?
0.8
2 1
0.2
i ni(5) Si Vi 1 3,0159 0,5 0,6 2 1,8162 0,25 0,96 3 ? 0,4 0,12
4. Dada a rede de las abaixo, complete a tabela com os ndices de desempenho das las.
i
0,2 2 0,1 1 0,8 0,9 3 4
Si
2,0 3,0 5,0 4,0
1 2 3 4
i 1 2 3 4
Vi ?????? ?????? ?????? ??????
di ?????? 0.0649 0.1670 0.2319
ui 0.4174 0.1948 0.8347 0.9275
ni 0.7003 0.2407 ?????? ??????
wi ?????? 3.7074 19.8684 ??????
Captulo 5
Redes de Autmatos Estocsticos

No decorrer deste captulo, apresentada uma denio informal do formalismo de Redes de Autmatos Estocsticos (SAN - Stochastic Automata Network ) atravs da descrio das primitivas utilizadas no formalismo. Posteriormente, apresenta-se a denio formal de SAN escala de tempo contnua englobando os conceitos denidos informalmente na Seo 1. Para isso, mostra-se os termos necessrios para a denio de um modelo em SAN. Alm disso, apresenta-se as restries para a denio de uma SAN bem denida e as regras necessrias para a obteno do Descritor Markoviano equivalente a mesma.
5.1
Denio Informal
O formalismo de Redes de Autmatos Estocsticos foi proposto por Plateau [21]. A idia principal do formalismo de SAN modelar um sistema em vrios subsistemas, ou seja, um sistema composto de mdulos quase independentes. A expresso quase independente denota a possibilidade de ocorrer interao entre cada subsistema. SAN um formalismo para modelagem de sistemas com grande espao de estados. Essa modularizao denida pelo formalismo de SAN permite o armazenamento e a soluo eciente de sistemas complexos por evitar os prejuzos da exploso do espao de estados que ocorre no formalismo de Cadeias de Markov, o qual SAN tem equivalncia de representao. Cada subsistema representado por um autmato estocstico e por transies entre os estados deste autmato. As transies entre os estados de cada autmato so modeladas por um processo estocstico de tempo contnuo ou discreto denidos por distribuies exponenciais ou geomtricas respectivamente. interessante ressaltar que toda SAN pode ser representada por um nico autmato estocstico que contm todos os estados possveis do sistema. Esse nico autmato corresponde cadeia de Markov equivalente ao modelo em SAN. Note que a modelagem em SAN apresentada nesse captulo se aplica tanto escala de tempo contnua como escala de tempo discreta. Entretanto, as explicaes e exemplos apresentados ao longo deste captulo fazem referncia escala de tempo contnua (taxas de ocorrncia ) e no escala de tempo discreta (probabilidades de ocorrncia ), visto que o foco principal deste trabalho
38
CAPTULO 5. REDES DE AUTMATOS ESTOCSTICOS
o formalismo de SAN escala de tempo contnua. A diferenciao entre as duas escalas de tempo d-se apenas na obteno do Descritor Markoviano de cada modelo. Enquanto um modelo em SAN escala de tempo contnua gera uma cadeia de Markov escala de tempo contnua (CTMC - Continuous Time Markov Chain ), um modelo em SAN descrito em escala de tempo discreta gera uma cadeia de Markov escala de tempo discreta (DTMC - Discrete Time Markov Chain ). No decorrer deste captulo, adota-se a seguinte notao para a denio dos modelos em SAN: Sejam A(i) x(i) e e( ) e(g ) i-simo autmato de um modelo em SAN, onde A(1) o primeiro autmato; x-simo estado do autmato A(i) , onde 0(1) o primeiro estado do autmato A(1) ; identicador de um evento (local ou sincronizante); identicador de um evento e com probabilidade constante ; identicador de um evento e com probabilidade funcional denida pela funo g .
As probabilidades ( ou g ) so utilizadas quando um evento possui duas ou mais alternativas de transio. Dessa maneira, probabilidades so utilizadas para indicar em que propores o evento seguir por uma transio ou por outra. A probabilidade pode ser omitida caso esta seja igual a 1 (100%). Outro ponto importante que a soma das probabilidades de um evento deve ser sempre igual a 1 (100%). A seguir, cada primitiva de modelagem explicada detalhadamente.
5.1.1
Autmatos Estocsticos
Autmato estocstico um modelo matemtico de um sistema que possui entradas e sadas discretas. O sistema pode se encontrar em qualquer um dentre o nmero nito dos estados do sistema ou das conguraes internas. O estado interno em que o sistema se encontra sumariza as informaes sobre as entradas anteriores e indica ainda o que necessrio para determinar o comportamento do sistema para as entradas seguintes [11]. Baseado nessa denio, pode-se descrever um autmato estocstico como um conjunto nito de estados e um conjunto nito de transies entre esses estados. A denominao de estocsticos atribuda a esses autmatos d-se pela razo do tempo ser tratado como uma varivel aleatria, a qual obedece a uma distribuio exponencial escala de tempo contnua e uma distribuio geomtrica escala de tempo discreta. O estado local do sistema modelado em SAN o estado individual de cada autmato do modelo. Por sua vez, o estado global do mesmo denido pela combinao dos estados locais de todos os autmatos que compem o modelo. A mudana do estado global do sistema d-se pela mudana do estado local de qualquer um dos autmatos do modelo. A mudana de um determinado estado local para outro feita atravs de transies. As transies so construes que indicam a possibilidade de mudana entre um estado e outro. No entanto, cada transio necessita ter ao menos um evento associado a ela para que essa possa
5.1. DEFINIO INFORMAL
39
ser disparada. A Figura 5.1 apresenta um modelo em SAN com dois autmatos completamente independentes.
A(1)
0(1) e3 e1 0(2)
A(2)
e5
1(2) 2(1) e2 1
(1)
e4
Tipo loc loc loc loc loc
Evento e1 e2 e3 e4 e5
Taxa 1 2 3 4 5
Figura 5.1: Modelo em SAN com 2 autmatos independentes Neste primeiro exemplo, o autmato A(1) do modelo possui trs estados 0(1) , 1(1) e 2(1) , enquanto o autmato A(2) possui apenas dois estados 0(2) e 1(2) . Dos cinco eventos que so modelados neste exemplo, trs eventos (e1 , e2 , e3 ) ocorrem no autmato A(1) , enquanto outros dois eventos (e4 , e5 ) ocorrem no autmato A(2) . Apresenta-se na Figura 5.2 a CTMC equivalente ao modelo em SAN da Figura 5.1.
5 0(1)0(2) 3 3 5 2(1)1(2) 2(1)0(2) 4 2 1(1)0(2) 2 4 1 5
0(1)1(2)
4 1
1(1)1(2)
Figura 5.2: CTMC equivalente ao modelo da Figura 5.1 Note que no modelo da Figura 5.1 no h interao entre os dois autmatos, i.e., existe apenas eventos locais em cada um deles. As denies e os tipos de eventos que podem ser utilizados nos modelos em SAN sero vistos na prxima seo.
40
5.1.2
Eventos
Evento a entidade do modelo responsvel pela ocorrncia de uma transio, a qual muda o estado global do modelo. Um ou mais eventos podem estar associados a uma transio e esta disparada atravs da ocorrncia de qualquer um dos eventos a ela associada. Dois tipos de eventos podem ser modelados no formalismo de SAN. Um evento pode ser classicado como: local ou sincronizante. 5.1.2.1 Eventos Locais
Os eventos locais so utilizados em SAN para alterar o estado local de um nico autmato sem que essa alterao ocasione uma mudana de estado em qualquer outro autmato do modelo. Esse tipo de evento particularmente interessante, pois permite que vrios autmatos tenham um comportamento paralelo, trabalhando independentemente sem que haja interao entre eles. Pode-se observar exemplos de eventos locais na Figura 5.1, a qual composta exclusivamente por esse tipo de evento. 5.1.2.2 Eventos Sincronizantes
Os eventos sincronizantes alteram o estado local de dois ou mais autmatos simultaneamente, i.e., a ocorrncia de um evento sincronizante em um autmato fora a ocorrncia deste mesmo evento nos outros autmatos envolvidos. Atravs dos eventos sincronizantes, possvel fazer a interao entre autmatos. Essa interao d-se sob a forma de sincronismo no disparo das transies. Cada evento deve possuir uma taxa de ocorrncia e uma probabilidade associada ao mesmo. Tanto a taxa de ocorrncia como a probabilidade podem ter associados valores constantes ou valores funcionais. Taxas e probabilidades funcionais assumem valores diferentes conforme os estados dos outros autmatos do modelo. A classicao de um evento como local ou sincronizante dada pela apario do identicador do evento e no conjunto de eventos de um autmato. Caso o identicador do evento aparea apenas no conjunto de eventos de um nico autmato, o evento classicado como evento local. Se o mesmo identicador aparecer no conjunto de eventos de vrios autmatos, o evento classicado como evento sincronizante.
5.1.3
Taxas e Probabilidades Funcionais
Taxas e probabilidades funcionais constituem a segunda possibilidade de interao entre autmatos nos modelos em SAN. Outra possibilidade a utilizao de eventos sincronizantes1 . A utilizao de funes para denir taxas e/ou probabilidades permite associar a um mesmo evento diferentes valores conforme o estado global do modelo.
A utilizao de taxas e probabilidades funcionais no est limitada aos eventos locais e podem ser empregadas nos eventos sincronizantes exatamente como nos eventos locais.
1
5.1. DEFINIO INFORMAL
41
As taxas e probabilidades funcionais so expressas por funes que levam em considerao os estados atuais dos autmatos do modelo, podendo desta forma variar seu valor conforme os estados em que se encontram os autmatos envolvidos na funo. A Figura 5.3 apresenta um modelo em SAN com 2 autmatos de trs e dois estados respectivamente.
A(1)
0(1) e3 e4 ( 2 ) e4(1) e1
A(2)
e5 0(2) 1(2)
2(1)
e2
1(1)
e4
Tipo loc loc loc syn loc
Evento e1 e2 e3 e4 e5
Taxa 1 2 3 4 f
Figura 5.3: Modelo em SAN com 2 autmatos, 1 evento sincronizante e uma taxa funcional Da mesma forma que o modelo em SAN da Figura 5.1, tambm utiliza-se cinco eventos no modelo em SAN da Figura 5.3. Entretanto, o evento e4 um evento sincronizante, visto que o mesmo est associado a mais de um autmato do modelo. Este evento ainda possui probabilidades associadas a diferentes transies no autmato A(1) . Alm disso, o evento e5 possui agora a funo f associada a sua taxa de ocorrncia. Por sua vez, a funo f denida como: (1) (1) 1 se autmato A est no estado 0 ; f= 0 se autmato A(1) est no estado 1(1) ; 2 se autmato A(1) est no estado 2(1) . Como pode-se observar na denio da funo f , a taxa de ocorrncia da transio do estado 0(2) para o estado 1(2) igual a 1 (caso o autmato A(1) esteja no estado 0(1) ), igual a 2 (caso o autmato A(1) esteja no estado 2(1) ), e a transio no ocorrer caso o autmato A(1) esteja no estado 1(1) . A Figura 5.4 apresenta a CTMC equivalente ao modelo em SAN da Figura 5.3. Assim como as taxas de ocorrncia podem ser expressas por funes, o mesmo pode ocorrer com as probabilidades de cada evento. A denio de funes usadas para expressar as probabilidades funcionais so exatamente iguais as funes usadas para denir as taxas de ocorrncia. 5.1.3.1 Outras Funes
Outros dois tipos de funes ainda so utilizadas em SAN: Funo de Atingibilidade e Funes de Integrao. As expresses que denem a funo de atingibilidade e as funes de integrao so descritas da mesma forma que as taxas e probabilidades funcionais. Porm, esses dois tipos de funes desempenham papis diferenciados conforme explicados a seguir.
42

1
0(1)1(2)
0(1)0(2) 3 4 2 3 2 2(1)1(2) 2(1)0(2) 2 1(1)0(2) 2 4 1 1(1)1(2) 1 1
Figura 5.4: CTMC equivalente ao modelo da Figura 5.3 Funo de Atingibilidade. Devido representao em SAN ser de forma modular e o autmato global (equivalente cadeia de Markov) se constituir pela combinao de todos os autmatos do modelo, necessrio especicar uma funo que determina os estados atingveis do autmato global de um modelo em SAN. A denio de quais estados podem ser atingveis ou alcanados em um modelo em SAN dada pela funo de atingibilidade. Essa funo denida usando-se as mesmas regras adotadas para a denio de taxas e probabilidades funcionais. A noo de funo de atingibilidade ca mais clara ao se imaginar, por exemplo, um modelo de compartilhamento de recursos, onde se tem N clientes disputando R recursos. Este sistema pode ser modelado em SAN usando um autmato com dois estados para cada cliente. O estado 0(i) representa que o recurso no est sendo utilizado pelo cliente i, enquanto o estado 1(i) representa que o recurso est em uso pelo cliente i. fcil imaginar que, se o nmero R de recursos for menor do que o nmero N de clientes, o estado global que representa todos os clientes utilizando um recurso no poder ser atingido, pois este estado no corresponde realidade do modelo. Os estados que possuem tal caracterstica so chamados de estados inatingveis e devem ser eliminados do modelo atravs da funo de atingibilidade, pois a probabilidade do modelo encontrar-se em algum destes estados igual a zero. A funo de atingibilidade correta para o modelo de compartilhamento de recursos descrito acima 2 : reachability = nb [A(1) ..A(N ) ] 1 R Funes de Integrao. Dene-se funes de integrao para a obteno de resultados numricos sobre o modelo em SAN. As funes de integrao avaliam qual a probabilidade do modelo em SAN encontrar-se em um determinado estado. Com isso, pode-se compor funes de integrao que levem em conta a probabilidade do modelo se encontrar em um conjunto de estados, podendo assim se obter ndices de desempenho e conabilidade do modelo. Essas funes de integrao so avaliadas sobre o vetor de probabilidade que contm a probabilidade do modelo se encontrar em cada um dos estados pertencente
2
Notao utilizada pela ferramenta PEPS [4].
5.2. DEFINIO FORMAL
43
a ele. Um exemplo de funo de integrao, tendo em mente o modelo de compartilhamento de recursos exposto anteriormente, dado pela funo u, onde se quer descobrir a probabilidade do autmato A(1) no estar utilizando o recurso, i.e., encontrar-se no estado 0(1) . u = st(A(1) ) == 0 Via de regra, todas as funes so modeladas em SAN da mesma forma, o que as diferenciam como elas so empregadas no modelo.
5.2
Denio Formal
Ser considerada neste trabalho a formalizao de um modelo em SAN compreendendo N autmatos e E eventos. Sejam A E F conjunto de autmatos (|A|= N ); conjunto de eventos (|E|= E ); funo de atingibilidade.
O conjunto de autmatos A compreende N autmatos nomeados A(i) , onde i [1..N ]. Sejam S (i) |S (i) | S x(i) conjunto de estados (locais) do autmato A(i) ; nmero de estados de S (i) ; espao de estados produto do modelo em SAN denido como S (1) . . . S (N ) ; um estado local do autmato A(i) (x(i) S (i) ).
Denio 3 O estado global x de um modelo em SAN obtido pela mudana dos estados locais (1) dos N autmatos, x = (x , . . . , x(N ) ), onde x(i) o estado local de um autmato A(i) (x S ). Sejam x () x (x(i) y (i) ) S () |S () | composio dos estados locais x(i) , onde i e [1..N ]; estado global obtido pela substituio do estado local x(i) pelo estado local y (i) no autmato A(i) ; espao de estados produto do conjunto de estados locais dos autmatos A(i) , onde i ; nmero de estados de S () , onde o conjunto de ndices dos autmatos ( [1..N ]).
44
Note que a denio de um estado local do autmato (x(i) ) e a denio de um estado global (x ) podem ser vistas como casos particulares de x () . Um estado local x(i) o caso onde = {i}, ao passo que o estado global x o caso onde = {1, 2, 3, ..., N }. Denio 4 Um elemento funcional f (S () ) uma funo de S () R+ , onde [1..N ]. Os autmatos A(i) com i so os parmetros do elemento f (S () ). Os elementos funcionais servem para denir probabilidades e taxas funcionais conforme descritos a seguir. Seja f ( x() ) elemento funcional3 f (S () ) avaliado para a composio de estados x () .
Elementos funcionais denem taxas e probabilidades funcionais. Todas as taxas e probabilidades funcionais so consideradas como elementos funcionais, mesmo aqueles que possuem valor constante. Obviamente, tal denio no representa uma restrio, visto que elementos constantes podem ser vistos como funes (constantes) com parmetro em = . Desta maneira, todos os elementos de um modelo em SAN podem ser considerados como funes de S (i) R+ . O conjunto de eventos E composto de E eventos nomeados ej , onde j [1..E ]. Denio 5 Um evento em um modelo em SAN denido por: 5.1. identicador4 e, onde e E ; 5.2. ndice (e) do autmato que possui a taxa do evento e, onde (e) [1..N ].
Denio 6 Uma tupla de evento (e, ) composta de: 6.1. e, identicador do evento; 6.2. , elemento funcional denido de S R+ , o qual dene a taxa de ocorrncia do evento e.
As Denies 27 e 28 caracterizam os eventos envolvidos em um modelo em SAN. Mais especicamente, a Denio 27 identica cada evento e a qual autmato indicada a taxa do evento. A Denio 28 associa uma taxa de ocorrncia a um evento e. Denio 7 O conjunto T contm todas as tuplas de transio (e, ). Uma tupla de transio (e, ) denida por: 7.1. e, identicador do evento; 7.2. , elemento funcional denido de S [0, 1], o qual representa a probabilidade de uma transio quando da ocorrncia do evento e.
3 Um elemento funcional pode ser uma taxa ( (S () )) ou uma probabilidade ( (S () )), e ele tambm pode ser expresso na forma avaliada: ( x() ) e ( x() ) respectivamente. 4 No contexto deste trabalho, usa-se a letra e para se identicar um evento, entretanto qualquer outra letra ou palavra pode ser utilizada.
5.2. DEFINIO FORMAL
45
O conjunto T contm ao menos uma tupla de transio para cada evento e no conjunto de eventos E . Denio 8 Q(i) a funo de transio de S (i) S (i) T , a qual contm os rtulos de transio do autmato A(i) . a funo de transio de S T , a qual contm os rtulos de transio do Denio 9 Q autmato global. Sejam Q(i) (x(i) , y (i) ) ( Q x, y ) (e) rtulo de transio do estado local x(i) para y (i) em Q(i) , contendo uma lista de tuplas de transio (e, ) em T ; , contendo uma lista rtulo de transio do estado global x para y em Q de tuplas de transio (e, ) em T ; conjunto dos ndices i (i [1..N ]) tal que o autmato A(i) possui ao menos uma tupla de transio com o identicador do evento e em um dos elementos de Q(i) .
A funo de transio Q(i) de um autmato A(i) (Denio 30), informa a associao entre os estados do autmato e quais eventos podem dispar-lo. Essa associao feita atravs das tuplas de transio (e, ) que compem o conjunto de tuplas de transio T (Denio 29). Cada tupla de transio dene, alm do identicador do evento, a probabilidade do evento para aquela transio. O nmero de tuplas de transio associadas a um rtulo de transio igual ao nmero de eventos que podem disparar a transio. Denio 10 Um evento e classicado como: 10.1. evento local, se | (e) |= 1; 10.2. evento sincronizante, se | (e) |> 1. Denio 11 O conjunto de eventos locais El denido como El = {e E || (e) |= 1}. Denio 12 O conjunto de eventos sincronizantes Es denido como Es = {e E || (e) |> 1}.
Denio 13 O conjunto de eventos E denido como E = El Es e El Es = . A Denio 32 faz a classicao de cada evento, o qual pode ser um evento local ou um evento sincronizante. Essa diferenciao no feita na denio do evento, mas necessria para a construo dos tensores do Descritor Markoviano, o qual composto por uma parte local (eventos locais) e por outra parte sincronizante (eventos sincronizantes). Denio 14 Um autmato A(i) denido por: 14.1. um conjunto de estados S (i) ; 14.2. uma funo de transio Q(i) .
46
Um autmato A(i) tem como parmetros a unio dos parmetros de todos os elementos funcionais contidos nos seus rtulos de transio. Sejam () ) A(i) (A A(i) ( x() ) e (x(i) , y (i) ) e (x(i) , y (i) ) succe (x(i) ) autmato A(i) que possui como parmetros os autmatos A(j ) , onde j ; () ) com todos seus elementos funcionais avaliados para autmato A(i) (A composio dos estados locais x () ; taxa de ocorrncia do evento e da tupla de transio (e, ) associada ao rtulo de transio Q(i) (x(i) , y (i) ); probabilidade da tupla de transio (e, ) associada ao rtulo de transio Q(i) (x(i) , y (i) ); conjunto dos estados sucessores y (i) , tais que o rtulo Q(i) (x(i) , y (i) ) possua uma tupla transio com o identicador e e e (x(i) , y (i) ) = 0, e (x(i) , y (i) ) = 0. O conjunto dos estados sucessores do evento e em x(i) pode ser vazio, caso a transio no possa ser disparada em x(i) pelo evento e; o estado global obtido pela substituio de todos os estados locais x(i) por y (i) em todos os autmatos A(i) (i (e) e y (i) succe (x(i) )).
x (x(i) y (i) )
i (e)
Um evento sincronizante e realizvel no estado global x , se e somente se i (e) o conjunto ( i ) ( i ) de estados sucessores y succe (x ) no for vazio. A funo de atingibilidade F um elemento funcional denido de S [0..1]. A funo associa aos estados globais de S o valor 1 se eles so atingveis e o valor 0 caso contrrio. Seja R subconjunto de S que compreende todos os estados x tais que F ( x) = 1.
Denio 15 Um modelo em SAN composto de N autmatos e E eventos denido por: 15.1. cada um dos autmatos A(i) (i [1..N ]); 15.2. cada um dos eventos e E ; 15.3. a funo de atingibilidade F .
5.2.1
SAN bem denida
Para se avaliar a soluo estacionria de um modelo em SAN, so necessrias algumas propriedades, e.g., vivacidade, irreducibilidade, ergodicidade, etc. Para isso, algumas restries devem ser respeitadas para assegurar tais propriedades. Os modelos descritos em SAN que obedecem a estas restries so conhecidos como SAN bem denidas. Restrio 1 Um autmato A(i) bem denido, se e somente se para todo x S , para todo ( i ) ( i ) ( i ) x S e para todo e E tal que succe (x ) for diferente de vazio:
5.3. EXERCCIOS
47
1.1. y (i) , z (i) succe (x(i) ) e (x(i) , y (i) )( x) = e (x(i) , z (i) )( x); 1.2. e (x(i) , y (i) )( x)
y (i) succe (x(i) )
= 1 ou um elemento funcional que vale 0 ou 1.
Esta primeira restrio impe que as tuplas de transio referentes a um mesmo evento e e referentes s transies de A(i) saindo de um mesmo estado devem possuir a mesma taxa de transio (Restrio 4.1). A soma das probabilidades de todas as transies saindo desse mesmo estado deve ser igual a 1 ou a um elemento funcional avaliado sobre [0..1] (Restrio 4.2). Estas restries tm por objetivo garantir a unicidade da denio das taxas de eventos em relao ao conjunto de transies em cada um dos autmatos. Restrio 2 Um evento e E bem denido, se e somente se: 2.1. 1 , 2 [0, 1], e1 , e2 E , x(i) , y (i) S (i) tal que y (i) succe (x(i) ) e x(i) = y (i) , (e1 , 1 ), (e2 , 2 ) Q(i) (x(i) , y (i) ) e1 = e2 A Restrio 5.1 imposta aos eventos arma que uma tupla de transio (e, ) deve aparecer uma nica vez no conjunto de tuplas de uma transio e o evento e deve pertencer ao conjunto de eventos E . Restrio 3 A funo de atingibilidade F bem denida, se e somente se o conjunto de estados atingveis R um grafo de transio fortemente conexo. A terceira restrio assegura a irredutibilidade da cadeia de Markov correspondente ao modelo em SAN e permite empregar os teoremas padres. Restrio 4 Uma SAN bem denida, se e somente se: 4.1. todos seus autmatos so bem denidos; 4.2. todos seus eventos so bem denidos; 4.3. sua funo de atingibilidade bem denida.
5.3
Exerccios
C1 = 1 C2 = 1 K1 = 2
1 2
1. A partir da Rede de Filas de Espera abaixo, faa o modelo SAN equivalente a mesma.
S1 = 0, 1 S2 = 0, 125 L1 = 1 , 4 L2 = 0 , 6
K2 = 1
48
2. Dada a Rede de Fila Espera abaixo, faa o modelo SAN equivalente a mesma.
2 1 3
C1 = 1 C2 = 1 C3 = 1 K1 = 5 K2 = 4 K3 = 6
S1 = 0.2 S2 = 0.4 S3 = 0.25 L1 = 3 L3 = 2
3. Faa o modelo de Redes de Autmatos Estocsticos equivalente a Redes de Filas de Espera abaixo.
K1 = 3
1
C1 = 1 C2 = 2 C3 = 1
S1 = 0.5 S2 = 0.3 S3 = 0.2
2 1
2
K2 = 3 K3 = 2 P1,2 = 0.3 P1,3 = 0.7
L1 = 1 L3 = 2
4. Dada a funo de atingibilidade da Rede de Autmatos Estocsticos a seguir, quais so os estados atingveis deste modelo? Construa a Cadeia de Markov equivalente ao mesmo.
A1
I l2 l1 U l3
A2
I l4 l5 U
A3
I l6 l7 U
A4
I l8 l9 U
A5
I l10 U
reachability = (nb U 1)
5. A partir do modelo SAN abaixo, indique quais so os estados atingveis do mesmo.
A1
I b1 a1 b2 U U
A2
I a2 b3
A3
I a3 U b4 I
A4
a4 U
Tipo loc loc loc loc
Evento a1 a2 a3 a4
Taxa (nb U < 1) 1 (nb U < 2) 1 (nb U < 1) 1 (nb U < 2) 1
Tipo loc loc loc loc
Evento b1 b2 b3 b4
Taxa 3 4 2 6
6. Dada a Rede de Filas de Espera abaixo, faa o modelo SAN equivalente da mesma.
5.3. EXERCCIOS
49
0.8
0.2
C1 = 1 C2 = 1 C3 = 1 K1 = 4 K2 = 3 K3 = 5
S1 = 0.2 S2 = 0.5 S3 = 2 L1 = 2 L2 = 0, 5
7. A partir da Cadeia de Markov abaixo, complete os autmatos A(1) e A(2) com suas respectivas transies, eventos, tipo dos eventos e taxas (constantes ou funcionais)?
Cadeia de Markov 2 3 5
YZ
A(1)
A(2)
XZ
XW
5
YW Y
8. Faa a rede de autmatos estocsticos equivalente rede de la de espera com estas caractersticas (desenhe a rede de las de espera antes de fazer a converso para redes de autmatos estocsticos):
i 1 2 3
Si 4,0 5,0 2,5
Li 0,4 0,0 0,1
Ci 1 2 1
Pi1 0,0 0,0 0,2
Pi2 0,7 0,0 0,5
Pi3 0,3 0,0 0,0
9. Considere uma rede de autmatos estocsticos com trs autmatos A, B e C, com respectivamente 6, 4 e 3 estados cada um. Os estados, em cada um dos autmatos, so numerados a partir de zero. Supondo a funo de atingibilidade abaixo, indique quais estados globais no so atingveis. reachability = (st A + st B) < (st C) 10. Na rede de autmatos estocsticos abaixo, suponha o estado AC atingvel. Qual a probabilidade do autmato A(2) estar no estado D?
A(1) A(2)
e3
A
e2 e3 e3
C
e1 e1 e3
Tipo Evento Taxa syn e1 5 loc e2 (st (A(2) ) == D) 4 syn e3 3 e4 (st (A(1) ) == B ) 2 loc
E
e4
50
11. Para a rede de autmatos estocticos abaixo, faa a cadeia de Markov equivalente e calcule a probabilidade do autmato B estar no estado 0.
A
0
e1 e2 e4
B
0
e5
Evento Taxa e1 0.5 e2 0.2 e3 f1 e4 0.4 e5 f2
1
e1 e3
1
f1 = st B == 0 f2 = st A + st B < 2
12. A partir da Cadeia de Markov abaixo, complete os autmatos A(1) e A(2) com suas respectivas transies, eventos, tipo dos eventos e taxas (constantes ou funcionais)?
Cadeia de Markov 7
XA
A(1)
A(2)
XB
XC
5
YA
5 3
YB
5
YC Y C B
13. Dada uma rede de autmatos estocsticos com 2 autmatos A e B , onde o autmato A possui 4 estados (0, 1, 2 e 3) e o autmato B possui 3 estados (0, 1 e 2), de acordo com a funo de atingibilidade (st(A) > st(B )) || (st(A) == 0), quais so os estados atingveis desta rede? 14. Seja um laboratrio com 3 mquinas e duas impressoras. Supondo que aps cerca de 15 minutos cada computador tenta utilizar a impressora e que um vez pegando uma impressora o computador a utiliza por 12 minutos (em mdia). Modele esta realidade utilizando redes de autmatos estocsticos.
Captulo 6
Redes de Petri Estocsticas

Nesta seo, apresenta-se a denio informal do formalismo de Redes de Petri e as denies informais e formais do formalismo de Redes de Petri Estocsticas. Para cada formalismo um exemplo apresentado. Finalmente, exerccios sobre o tema so sugeridos.
6.1
Redes de Petri
Uma Rede de Petri uma abstrao de um sistema real. Ela um modelo formal do uxo de dados e controle do sistema modelado em questo. As propriedades, conceitos e tcnicas para modelagem de uma Rede de Petri foram desenvolvidas utilizando mtodos simples e poderosos para descrio e anlise do uxo de sistema. O formalismo de Redes de Petri (PN - Petri Nets ) utilizado principalmente em sistemas que possam apresentar atividades assncronas e concorrentes. Redes de Petri tm sido utilizadas principalmente para a modelagem de sistemas de eventos em que estes possam ocorrer concorrentemente, havendo obstculos na concorrncia, precedncia ou freqncia desses eventos [19].
6.1.1
Denio Informal
A estrutura de uma Rede de Petri um grafo bipartido1 que compreende um conjunto de lugares P , um conjunto de transies T , e um conjunto de arcos direcionados A. Os lugares so representados gracamente por crculos, as transies por barras e os arcos direcionados por setas. Os arcos direcionados conectam os lugares s transies e as transies aos lugares. Tem-se, na Figura 6.1, um exemplo da representao grca de uma Rede de Petri que possui 5 lugares e 6 transies. Um lugar uma entrada para uma transio se existe um arco direcionado do lugar para a transio em questo. Analogamente, um lugar uma sada de uma transio se existe um arco direcionado da transio para o lugar em questo. 6.1.1.1 Marcas
Uma Rede de Petri pode ser considerada marcada quando ela possuir tokens ou marcas. Tokens encontram-se nos lugares. As transies, quando disparadas, consomem tokens dos lugares
1
Um grafo bipartido aquele que possui dois tipos de nodos distintos: lugares e transies.
52
p1 p2 t1
CAPTULO 6. REDES DE PETRI ESTOCSTICAS
p3
t4
t2
t3
t5
p4
t6
p5
Figura 6.1: Exemplo de representao grca de uma Rede de Petri que as alimentam e geram marcas nos lugares por elas alimentadas. Tokens so sinais em uma Rede de Petri representados gracamente por um ponto preto. A quantidade e a posio dos tokens em uma Rede de Petri podem variar durante o funcionamento da mesma. Uma Rede de Petri marcada denida pelo nmero mn de tokens contidos em cada lugar pn da rede [1]. Uma marcao Mi de uma Rede de Petri denida pelo conjunto de mn dos lugares da mesma, ou seja, a marcao inicial de uma Rede de Petri M0 = {m0 , m1 , m2 , ..., mn }. Na Figura 6.2, tem-se um exemplo de uma Rede de Petri marcada.
p1 p2 t1 p3
t4
t2
t3
t5
p4
t6
p5
Figura 6.2: Exemplo de uma Rede de Petri marcada
6.1.1.2
Regras de Execuo
Uma Rede de Petri executada atravs do disparo de transies. Para ocorrer o disparo de uma transio, necessrio que esta transio esteja habilitada para isto. Uma transio considerada habilitada para disparar quando todos os lugares de entrada dela contiverem pelo menos um token. Analisando a Figura 6.2, nota-se que a transio t1 possui apenas o lugar p1 como entrada, e este possui pelo menos um token. Logo, a transio t1 est habilitada e pode ser disparada.
6.1. REDES DE PETRI
53
Quando uma transio disparada - Figura 6.3 (a) - remove-se um token de cada lugar de entrada da transio em questo e ento coloca-se um token em cada lugar de sada da mesma - Figura 6.3 (b).
p1 p2 t1 p3 p2 p1 t1 p3
t4
t2
t3
t5
t4
t2
t3
t5
p4
t6
(a)
p5
p4
t6
(b)
p5
Figura 6.3: Disparo da transio t1 de uma Rede de Petri Cada disparo de uma transio pode modicar a distribuio dos tokens nos lugares e conseqentemente pode produzir uma nova marcao Mj para a Rede de Petri. Tokens so considerados entidades atmicas (indivisveis2 ), ou seja, o disparo de uma transio pode desativar outros possveis disparos, removendo tokens que poderiam ser consumidos por uma ou outra transio alimentada por um mesmo lugar de entrada. Observando a Figura 6.3, pode-se notar que aps o disparo da transio t1 , os lugares p2 e p3 receberam um token cada. Por conseguinte, as transies t2 e t3 passaram a estar habilitadas para o disparo. O disparo da transio t2 coloca um token no lugar p4 e habilita a transio t4 ; o disparo da transio t3 coloca um token no lugar p5 e tambm habilita o disparo da transio t5 . Neste momento, as transies t4 , t5 e t6 esto habilitadas a serem disparadas, porm apenas uma destas trs transies pode ser disparada. A seleo do disparo no determinstica e o disparo de uma transio desativa automaticamente o disparo da outra3 . O resultado do disparo de uma transio de uma marcao Mi pode gerar uma nova marcao Mj . A marcao Mj dita imediatamente atingvel de Mi se ela pode ser obtida do disparo de uma transio habilitada em Mi . Uma marcao Mk dita atingvel de Mi se existir uma seqncia de disparo de transies que levem o estado da Rede de Petri em questo de Mi para Mk . O funcionamento de uma Rede de Petri gera uma seqncia M de marcaes {M0 , M1 , M2 , ...} e uma seqncia T de transies {t1 , t2 , ...}. O disparo de uma transio tk , habilitada em Mi , pode mudar o estado da Rede de Petri de Mi para Mj e assim por diante. Com isso, pode-se denir o conjunto de atingibilidade de uma Rede de Petri. O termo atingibilidade tambm conhecido como reachability [14]. O conjunto de atingibilidade (RS Reachability Set ) composto por todas as marcaes distintas de M que so atingveis a partir de M0 . As marcaes do conjunto M podem ser representadas na forma de uma rvore. A
A mudana de marcao um processo discreto e no contnuo. Neste exemplo, o disparo da transio t4 no desativa o disparo da transio t5 , e vice-versa. Porm, o disparo da transio t6 desativa o disparo das outras duas transies.
3 2
54
Figura 6.4 mostra a rvore de atingibilidade do exemplo apresentado na Figura 6.2.

M0 = {1, 0, 0, 0, 0} t1 M1 = {0, 1, 1, 0, 0} t2 M2 = {0, 0, 1, 1, 0} t4 M1 M3 t3 M4 = {0, 0, 0, 1, 1} M4 t4 t6 M0 t5 M2 t3 M3 = {0, 1, 0, 0, 1} t2 t5 M1
Figura 6.4: rvore de atingibilidade da Figura 6.2 A rvore de atingibilidade construda a partir da marcao inicial M0 da Rede de Petri em questo. Em seguida, leva-se em conta todas as marcaes imediatamente atingveis desta marcao inicial. Somente M1 imediatamente atingvel a partir da marcao inicial. A partir desta nova marcao, repete-se o mesmo procedimento. Logo, M2 e M3 so as marcaes imediatamente atingveis a partir de M1 . Considerando M2 como a nova marcao, tem-se as marcaes M1 - obtida anteriormente - e M4 . A marcao M3 tambm gera as marcaes M1 e M4 . Repetindo o mesmo procedimento para M4 , consegue-se as marcaes M0 , M2 e M3 . Desta forma, obtm-se a rvore de atingibilidade do exemplo em questo. A construo da rvore a partir da marcao inicial M0 poderia gerar uma rvore de tamanho innito. Entretanto, para se representar a rvore em um tamanho nito, quando encontra-se um marcao j atingida, no expande-se a marcao em questo, considerando-a como uma marcao duplicada. As marcaes duplicadas ou estados mortos so representados pelas folhas da rvore. As folhas da rvore de atingibilidade so marcaes as quais no so mais expandidas por j terem sido obtidas anteriormente. Os estados mortos so estados nais do sistema os quais no possuem transies habilitadas para os mesmos. Um lugar de uma Rede de Petri pode apresentar a propriedade de limitao. O termo limitao tambm conhecido como boundedness [14]. Um lugar pode ser dito como k-limitado ou simplesmente limitado se o nmero de tokens do lugar no excede o limite k do mesmo. No exemplo apresentado na Figura 6.2, para todos os lugares da Rede de Petri em questo, o limite k igual a 1, pois nenhum lugar da Rede de Petri deste exemplo contm mais de 1 token. Uma Rede de Petri tambm pode ser denominada limitada. Diz-se que uma Rede de Petri limitada se o limite de todos os lugares for menor que innito. Logo, pode-se concluir que a Rede de Petri da Figura 6.2 1-limitada, pois nenhum lugar desta rede acumula mais do que 1 token em qualquer marcao possvel da mesma. Um lugar de uma Rede de Petri pode ser considerado seguro se ele tiver no mximo 1 token, ou seja, um lugar que 1-limitado considerado um lugar seguro. O conceito de segurana simplesmente uma particularizao do conceito de limitao. O termo segurana tambm conhecido como safeness [14].
6.1. REDES DE PETRI
55
Esta propriedade uma das mais importantes para a modelagem de sistemas digitais, visto que um lugar pode ser modelado como uma porta ou mesmo um ip-op [14]. Logo, pode-se dizer que uma Rede de Petri segura se o limite k de todos os lugares da mesma no exceder 1 token. Como pode-se observar, a Rede de Petri apresentada no exemplo da Figura 6.2 uma rede segura, pois ela uma rede 1-limitada. Alm disso, existe o conceito de vivacidade. O conceito de vivacidade est denido em funo das possibilidades de disparo das transies. O termo vivacidade tambm conhecido como liveness [14]. Vivacidade uma propriedade fundamental para sistemas do mundo real. Uma transio potencialmente disparvel em uma marcao M0 se existe uma marcao Mi atingvel a partir de M0 , ou seja, uma transio considerada viva se esta no passvel de um impasse ou deadlock. Impasse em uma Rede de Petri a impossibilidade do disparo de qualquer transio da mesma.
6.1.2
Exemplicao
Um exemplo de modelagem de uma Rede de Petri o caso de compartilhamento de recursos entre componentes do sistema. Na Figura 6.5, tem-se um exemplo de modelagem de Rede de Petri para o compartilhamento de recursos com excluso mtua.
p0 t0 p1 t1 p9 p3 t3 p5 t5 p8 p7 p2 t2 p4 t4 p6
Figura 6.5: Compartilhamento de recursos com excluso mtua - PN A Figura 6.5 apresenta a Rede de Petri que representa o processo de produo em uma fbrica de gua mineral. Supe-se que esta fbrica possua uma nica mquina responsvel pela manufatura da garrafa de gua e da tampinha da mesma. Portanto, quando esta mquina estiver sendo usada para fabricar as garrafas, o processo de manufatura das tampinhas dever aguardar para que possa-se utilizar a mesma mquina, e vice-versa.
56
Tendo em vista a rede da Figura 6.5, o lugar p0 da rede representa o depsito de matriaprima e o lugar p9 a habilitao do sistema para a manufatura. Os lugares p1 e p2 representam, respectivamente, os repositrios de matria-prima para as garrafas e tampinhas. Os lugares p3 e p4 representam o processo de manufatura das garrafas e o processo de manufatura das tampinhas respectivamente. O lugar p7 representa a mquina responsvel pela linha de produo da fbrica. Um token neste lugar representa que a mquina est disponvel. Quando no se encontrar um token neste lugar, signica que a mquina no est disponvel, ou seja, um dos dois processos est utilizando a mquina. Os lugares p5 e p6 so, respectivamente, os depsitos das garrafas e das tampinhas. Por ltimo, o lugar p8 representa o processo de montagem da garrafa de gua mineral. A transio t0 representa o incio do processo de manufatura. Neste momento, feita a distribuio de matria-prima para os depsitos p1 e p2 para a manufatura de garrafas e tampinhas. As transies t1 e t2 representam, respectivamente, o incio dos processos de manufatura das garrafas e tampinhas. Como o lugar p7 possui apenas um token, apenas uma das duas transies t1 ou t2 poder ocorrer. Quando uma dessas transies ocorrer, automaticamente o disparo da outra transio ser impossibilitado, pois o token do lugar p7 ser consumido. A transio t3 representa o trmino da manufatura de garrafas e, conseqentemente, a liberao da mquina. Da mesma forma, a transio t4 libera a mquina e termina com o processo de manufatura de tampinhas. O disparo da transio t3 colocar um token em p5 e o disparo da transio t4 colocar um token em p6 . Quando ocorrerem uma destas transies, automaticamente ser colocado um token em p7 , liberando a mquina para um novo processo de manufatura. Quando ambos os lugares p5 e p6 contiverem pelo menos um token, ento a transio t5 disparada. Quando isso ocorrer, um token colocado no lugar p8 e outro no lugar p9 , habilitando o processo de manufatura de outras garrafas e tampinhas, desde que haja matria-prima. Muitas outras reas de estudo podem ser mencionadas como possveis assuntos para a modelagem de Redes de Petri, incluindo alocao de recursos, sistemas operacionais, redes de las, controle de trfego, entre outros. O formalismo de Redes de Petri uma ferramenta de grande facilidade para modelagem de uma vasta variedade de sistemas.
6.2
Redes de Petri Estocsticas
Usando o formalismo de Redes de Petri, possvel descrever somente a estrutura lgica de sistemas, pois tal formalismo no inclui nenhum conceito de tempo. Entretanto, freqentemente, o conceito de tempo tem um papel importante na descrio do comportamento de sistemas. A introduo do conceito de tempo no formalismo de Redes de Petri permite a descrio de um comportamento dinmico de sistemas [1]. Noe e Nutt [18], Merlin e Farber [15] e Zuberek [30] usaram o conceito de tempo para a modelagem do comportamento de sistemas computacionais - Redes de Petri Temporizadas (TPN - Timed Petri Nets ) - associando um tempo xo no disparo de transies. O formalismo de Redes de Petri Temporizadas tem como sua principal caracterstica a associao de um atraso xo para cada transio do modelo - Figura 6.6. Redes de Petri Temporizadas foram o passo inicial para a criao do formalismo de Redes de Petri Estocsticas (SPN - Stochastic Petri Nets ). A possibilidade de unir a habilidade do formal-
6.2. REDES DE PETRI ESTOCSTICAS
57
p1 t1 , 1 p2 p3 t2 , 2 p4 t3 , 3
Figura 6.6: Exemplo de uma Rede de Petri Temporizada ismo de Redes de Petri para descrever sincronizao e concorrncia com um modelo estocstico o principal atrativo para obter-se uma avaliao quantitativa de sistemas computacionais complexos. Os primeiros estudos sobre Redes de Petri Estocsticas foram desenvolvidos por Symons [26], Natkin [17] e Molloy [16]. As Redes de Petri Estocsticas so obtidas atravs da associao de um tempo distribudo exponencialmente com o disparo de cada transio da rede.
6.2.1
Denio Informal
O formalismo de Redes de Petri Estocsticas (SPN - Stochastic Petri Nets ) uma ferramenta para modelagem e avaliao de desempenho de sistemas envolvendo concorrncia, nodeterminismo e sincronizao [2]. Redes de Petri Estocsticas so denidas assumindo que todas as transies so temporizadas e que o atraso no disparo das transies associado a uma varivel aleatria distribuda exponencialmente. Dada uma Rede de Petri Estocstica com uma marcao que possua diversas transies habilitadas a serem disparas, uma das transies ocorre. Quando uma transio de uma Rede de Petri Estocstica disparada, assim como no formalismo de Redes de Petri, uma nova marcao pode ser gerada. Esta nova marcao pode conter transies que j encontravam-se habilitadas na marcao anterior, mas no foram disparadas. Por causa da propriedade de ausncia de memria 4 da distribuio exponencial, pode-se assumir que a atividade associada a cada transio recomeada para qualquer nova marcao. A estrutura de uma Rede de Petri Estocstica possui os mesmos elementos contidos na estrutura de uma Rede de Petri acrescido do conjunto L = {l1 , l2 , ..., lm } de taxas de disparos, possivelmente dependente de marcao, associadas s transies - Figura 6.7. Segundo Molloy [16], devido propriedade de ausncia de memria da distribuio exponencial do atraso dos disparos, o formalismo de Redes de Petri Estocsticas isomrco5 ao formalismo de Cadeias
Do ingls memoryless. Ambos os formalismos possuem o mesmo escopo. Toda a realidade de um formalismo pode ser representada no outro.
5 4
58 de Markov de Tempo Contnuo (CTMC).
p1 p3 t3 p4 m1 t1 p2
t4
t2
Figura 6.7: Exemplo de uma Rede de Petri Estocstica possvel mostrar que uma Rede de Petri Estocstica ergdica. Ergdica signica que para qualquer marcao desta rede atingida a partir da marcao inicial, pode-se novamente atingir a marcao inicial. Logo, se uma Rede de Petri Estocstica ergdica, possvel calcular a distribuio da probabilidade de soluo estacionria das marcaes da mesma resolvendo a equao: Q = 0 Com a restrio adicional: i = 1
i
(6.1)
(6.2)
Onde Q o gerador innitesimal cujos os elementos so obtidos atravs das taxas de disparos correspondentes s transies e o vetor de probabilidade de soluo estacionria. Para auxiliar na construo da Cadeia de Markov equivalente Rede de Petri Estocstica da Figura 6.7, constri-se a rvore de atingibilidade da rede em questo. O processo para a construo da rvore de atingibilidade de uma Rede de Petri Estocstica segue o mesmo processo da construo da rvore de uma Rede de Petri. A Figura 6.8 representa a rvore de atingibilidade da Rede de Petri Estocstica da Figura 6.7. A partir da rvore de atingibilidade, pode-se construir a Cadeia de Markov equivalente ao modelo. O espao de estados da Cadeia de Markov correspondente rvore de atingibilidade de uma Rede de Petri Estocstica equivalente s marcaes encontradas na mesma. Por conseguinte, na Figura 6.8, a rvore de atingibilidade possui 6 marcaes que so equivalentes aos estados da Cadeia de Markov - Figura 6.9. Tendo em vista a Figura 6.9, constata-se que a taxa de transio do estado 0 para o estado 1 igual a t1 (2). O valor entre parnteses corresponde ao nmero de tokens do lugar p1 na marcao M0 , visto que esta transio dependente de m1 . Por conseguinte, a taxa de transio do estado 1 para o estado 2 e do estado 3 para o estado 4 igual a t1 (1), visto que m1 igual a 1 em M1 e M3 .

M0 = {2, 0, 0, 0} t1(2) M1 = {1, 1, 1, 0} t3 M3 = {1, 1, 0, 1} t4 M1 t1(1) M4 t2 M3 t3 M5 = {0, 2, 0, 2} t4 M4 t2 M0 t1(1) M2 = {0, 2, 2, 0} t3 M4 = {0, 2, 1, 1} t4 M2 t2 M1
59
Figura 6.8: rvore de atingibilidade da Figura 6.7

0
t1(2) t1(1)
2 1
t2 t3
3
t2 t4 t4 t2
4
t3 t3
t1(1) t4
Figura 6.9: Cadeia de Markov equivalente Figura 6.7
Uma transio pode ter associada a ela uma condio de disparo chamada de controlador 6 . Sendo assim, um controlador associa uma condio a uma transio de modo que o disparo da mesma que dependente da condio especicada. Com isso, o disparo da transio ca dependente no somente do nmero de tokens de um lugar, mas de qualquer condio associada ao nmero de tokens do mesmo, e.g., o nmero de tokens maior ou igual a uma determinada quantia de tokens de um lugar. Assumindo que as taxas de transio = = = = 1, pode-se obter o gerador innitesimal Q a partir da rvore de atingibilidade. O gerador innitesimal uma matriz cujos elementos qij so obtidos atravs do somatrio das taxas de disparo das transies habilitadas na marcao Mi as quais os disparos geram a marcao Mj . Cabe ressaltar que em se tratando de gerador innitesimal, os elementos da diagonal principal da matriz (qii ) correspondem a valores negativos de forma que a soma dos elementos de uma linha seja igual a zero. Em (6.3), tem-se a matriz do gerador innitesimal da Rede de Petri Estocstica da Figura 6.7.
Do ingls guard.
60 Q=
-2 1 0 0 0 0
2 -3 1 1 0 0
0 1 -2 0 1 0
0 1 0 -2 1 0
0 0 1 1 -3 1
0 0 0 0 1 -1
(6.3)
Utilizando o gerador innitesimal Q obtido em (6.3), pode-se resolver a equao (6.1) e obter os valores do vetor de probabilidade : =
1 11 2 11 2 11 2 11 2 11 2 11
possvel, a partir do vetor de probabilidade , obter uma avaliao quantitativa do comportamento da Rede de Petri Estocstica. A probabilidade de uma condio em especial de uma Rede de Petri Estocstica pode ser calculada pela equao: P {A} =
iA
(6.4)
Onde A o subconjunto de marcaes atingveis a partir da marcao inicial que satisfaa a condio requerida. Tambm possvel calcular, atravs da equao (6.5), o nmero mdio de tokens em um determinado lugar.
k
E [mi ] =
n=1
[nP {A(i, n)}]
(6.5)
Onde A(i, n) o subconjunto de marcaes atingveis a partir da marcao inicial as quais o nmero de tokens do lugar pi igual a n, e k o limite mximo de tokens do lugar em questo. Logo, o lugar pi k-limitado. Como exemplo, pode-se calcular o nmero mdio de tokens do lugar p1 da Rede de Petri Estocstica da Figura 6.7. Usando a equao (6.5), tem-se: E [m1 ] = 1 P {A(1, 1)} +2 P {A(1, 2)} = 20 + 1 + 3 =
1 +3 0
6 11
A taxa mdia de disparo da transio tj por unidade de tempo calculada pela equao: fj =
Mi Aj
i lj
tk F (Mi )
lk
(6.6)
Como demonstrao, usando a equao (6.6), pode-se calcular a taxa de disparo da transio t2 , habilitada somente nas marcaes M1 , M2 e M4 : l2 l1 + l2 + l3
M1
f2 = 1
+ 2
l2 l2 + l3
M2
+ 4
l2 l2 + l3 + l4
M4
1 1 7 1 = 1 + 2 + 4 = 3 2 3 33
61
6.2.2
Seja C
Denio Formal
o conjunto de condies associadas aos disparos das transies de T .
Denio 16 c C uma condio que pode ser associada a uma transio t T , a qual depende das marcas dos lugares p P . Esta condio uma funo com domnio nas marcas dos lugares p P e contra-domnio em falso e verdadeiro. Estas condies permitem que o disparo de uma transio tenha um dependncia em relao quantidade de tokens de um determinado lugar do mesmo componente SPN . Denio 17 Um componente SPN denido pela tupla (P , T , I , O, W , G, M0 ), onde: 17.1. P um conjunto no vazio de lugares; 17.2. T um conjunto no vazio de transies; 17.3. I e O: T P so funes de entrada e sada das transies para um conjunto de lugares; 17.4. W : T R+ funo de associao de um processo estocstico distribudo exponencialmente para cada transio7 ; 17.5. G: T C uma funo, chamada de controlador8 , que determina uma condio c C necessria (mas no suciente) ao disparo de cada transio t T ; 17.6. M0 : P N o nmero inicial de tokens em cada lugar.
6.2.3
Exemplicao
Um exemplo de modelagem de Rede de Petri Estocstica dado na Figura 6.10, a qual representa uma variao do exemplo apresentado na Figura 6.5. A Rede de Petri Estocstica modelada na Figura 6.10 continua representando o processo de produo em uma fbrica de gua mineral. Porm, taxas de disparos esto associadas s transies da rede. Para manter-se a relao de ergodicidade da Rede de Petri Estocstica da Figura 6.10 com a Cadeia de Markov que a representa, os lugares p8 e p9 da Rede de Petri original (Figura 6.5) foram retirados. Esta Rede de Petri Estocstica possui 30 marcaes, descritas na Tabela 6.1, geradas a partir do disparo das transies. A Figura 6.11 representa a rvore de atingibilidade do exemplo em questo. Neste exemplo, supe-se que a mquina, responsvel pela manufatura da garrafa de gua e pela tampinha da mesma, no suporta a produo sobreposta9 de mais do que 2 unidades de
O valor numrico expressado a taxa mdia de ocorrncia da transio. Do ingls guard. 9 A produo de garrafas e tampinhas ocorre de modo concorrente, ou seja, enquanto ocorre a produo de garrafas, a produo de tampinhas aguarda a liberao da mquina, e vice-versa.
8 7
62
p0 m1 p1 p3 p5 t5 t3 t1 p7 t0 p2 t2 p4 t4 p6
Figura 6.10: Compartilhamento de recursos com excluso mtua - SPN

M0 M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 M12 M13 M14 m0 2 1 0 1 1 0 0 1 1 0 0 1 1 0 0 m1 0 1 2 0 1 1 2 0 1 1 2 0 0 0 1 m2 0 1 2 1 0 2 1 1 0 2 1 0 0 2 1 m3 0 0 0 1 0 1 0 0 0 0 0 0 1 1 0 m4 0 0 0 0 1 0 1 0 0 0 0 1 0 0 1 m5 0 0 0 0 0 0 0 1 0 1 0 1 0 1 1 m6 0 0 0 0 0 0 0 0 1 0 1 0 1 0 0 m7 1 1 1 0 0 0 0 1 1 1 1 0 0 0 0 M15 M16 M17 M18 M19 M20 M21 M22 M23 M24 M25 M26 M27 M28 M29 m0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 m1 1 2 0 0 1 2 0 0 1 1 0 1 0 0 0 m2 1 0 0 2 1 0 1 1 0 0 1 0 0 0 0 m3 1 0 0 0 0 0 0 1 0 1 0 0 0 1 0 m4 0 1 0 0 0 0 1 0 1 0 0 0 1 0 0 m5 0 0 1 2 1 0 2 1 1 0 2 1 2 1 2 m6 1 1 1 0 1 2 0 1 1 2 1 2 1 2 2 m7 0 0 1 1 1 1 0 0 0 0 1 1 0 0 1
Tabela 6.1: Marcaes da Figura 6.10

M0 t0 (2) t1 t3 t2 t0 (1) M14 M11 t4 M17 t5 M0 M7 M3 t0 (1) t0 (1) M9 M5 t1 t3 t1 t3 t2 t4 t2 t4 M29 t5 M17 M27 M13 M18 t1 t3 t5 M7 M25 M22 t5 M3 t1 M28 M21 M25 M5 M9 M1 t0 (1) M2 t2 M6 t4 t2 M14 t4 t3 M19 t5 M1 t4 M26 t2 M23 t5 M4 t1 M15 M10 t2 M16 t4 M20 t1 M24 t3 M26 t0 (1) M6 t2 M4 t4 M8 t1 M12 t3 M17
t0 (1)
M10 t0 (1) M15
t0 (1) M19
t5 M8
t5 M11
t3 M29
t5 M12
Figura 6.11: rvore de atingibilidade da Figura 6.10
63
cada elemento. Logo, o lugar p0 da rede possui apenas 2 tokens, porm a manufatura das garrafas e tampinhas depende apenas do estoque de matria-prima destes elementos, os quais no esto sendo representados. Os lugares p1 e p2 representam os repositrios de matria-prima j alocada para as garrafas e para as tampinhas respectivamente. Os lugares p3 e p4 representam, respectivamente, o processo de manufatura das garrafas e o processo de manufatura das tampinhas. O lugar p7 representa a mquina responsvel pela linha de produo da fbrica. A mquina suporta apenas uma tarefa por vez, ou seja, um token no lugar p7 indica que a mquina est disponvel. Se este lugar no possuir um token, signica que um dos dois processos de produo est utilizando a mquina. Os lugares p5 e p6 so os depsitos das garrafas e das tampinhas respectivamente. Ao contrrio do exemplo modelado na Figura 6.5, este exemplo no possui um lugar representando a juno da garrafa e tampinha de gua mineral. Este passo tratado de forma abstrata na transio t5 , onde esta ocorre medida que haja tokens nos lugares p5 e p6 . Conseqentemente, um token retirado dos lugares p5 e p6 (depsitos de garrafas e tampinhas) e colocado no lugar p0 , liberando o processo de manufatura de uma nova garrafa e nova tampinha. A transio t0 representa o incio do processo de manufatura. Esta transio est associada a uma taxa de disparo dependente da marcao de m1 . Quando a transio t0 disparada, um token removido de p0 e adicionado em p1 e p2 , habilitando o processo de manufatura das garrafas e tampinhas. Como as transies t1 e t2 encontram-se em conito, quando a mquina estiver produzindo garrafas (lugar p3 ), ela no estar produzindo tampinhas (lugar p4 ), e vice-versa. Quando uma das transies t3 ou t4 ocorrer, um token ser colocado em p7 disponibilizando a mquina para um novo processo de manufatura. Quando ambos os lugares p5 e p6 contiverem ao menos um token cada, ento a transio t5 disparada. Isso caracteriza o m do processo de manufatura de garrafas e tampinhas, possibilitando uma possvel continuao do processo. Com isso, um token colocado em p0 permitindo a produo de uma nova garrafa e tampinha. O formalismo de Redes de Petri Estocsticas uma ferramenta muito til para anlise de sistemas de computadores, visto que permite s atividades de sistemas serem precisamente descritas atravs de um grco. Este grco pode ser convertido para um modelo Markoviano utilizado para obter-se avaliao quantitativa do sistema em questo.
64
6.3
Exerccios
1. A partir do modelo SPN abaixo, mostre todas as marcaes atingveis do modelo e construa a Cadeia de Markov equivalente ao mesmo.
t1
t3
L1
L2
L5
L3
L4
t2
t4
2. A partir do modelo SPN abaixo, construa a Cadeia de Markov equivalente.
L1
L2
t1
L3
L4
t2
Trans. t1 t2
Taxa 4 2
3. Dada a Rede de Petri abaixo, quais so as marcaes atingveis da mesma?
l1 A1 Q1
t12 A2 Q2 m2 A3
t13 Q3 m3 L
Trans. l1 t12 t13 m2 m3
Taxa 5 3 2 1 4
6.3. EXERCCIOS
65
p1 p2 t1 p3
t4
t2
t3
t5
p4
t6
p5
5. Para a rede de Petri estocstica abaixo, faa a cadeia de Markov equivalente. Indique as marcaes atingveis, o grafo da cadeia de Markov e as respectivas taxas de cada transio.
P1
P2
t1 P3
t2 P4
t3
Transio t1 t2 t3
Taxa 4, 0 5, 0 2, 5
P5
6. Faa a rede de Petri estocstica equivalente rede de autmatos estocsticos abaixo (faa um nico modelo de rede de Petri estocstica).
A
0 s1 l1 1 2 s1
B
0 l2 l4 l3 1
C
0 l5 1
f = (stB == 1) 2
Evento Taxa l1 4 l2 3 l3 4 l4 5 l5 f 8 s1
7. Dada a Rede de Petri Estocstica a seguir, descubra qual a probabilidade do lugar p1 possuir uma marca. (Dica: gere a Cadeia de Markov equivalente e descubra a soluo estacionria).
66
p1
p3
t1
t2
t3
p2
p4
8. A partir do modelo SPN abaixo, calcule o nmero mdio de marcas nos lugares Q1 e Q2 .
Q1
l1 t12 l2
Q2
m2
Transio Taxa l1 1 l2 2 t12 3 m2 1
A1
A2
t21 l1
A1
t12 l2
Q1
m1
Q2
m2
A2
10. Para a rede de Petri estocstica abaixo, faa a cadeia de Markov equivalente. Indique as marcaes atingveis, o grafo da cadeia de Markov e as respectivas taxas de cada transio.
P3
P1
t3 t1 t2
P4
t4
P2
P5
Transio Taxa t1 4 t2 2 t3 1 t4 2
6.3. EXERCCIOS
67
11. Para a mesma rede de Petri estocstica do exerccio anterior, calcule a probabilidade do lugar P5 ter apenas uma marca. 12. A partir da rede de Petri estocstica abaixo com marcao inicial M0 = {2, 0, 0, 0}, construa a Cadeia de Markov equivalente.
P1
t4 t1
P4
P3
P2
t2
Transio Taxa t1 4 2 t2 t3 1 t4 5
t3
68
Referncias Bibliogrcas
[1] M. Ajmone-Marsan, G. Balbo, and G. Conte. Performance Models of Multiprocessor systems. The MIT Press, Cambridge, USA, 1986. [2] G. Balbo, S. C. Bruell, and M. Sereno. Arrival theorems for product-form stochastic Petri nets. In Proceedings of the 1994 conference on Measurement and modeling of computer systems, pages 8797, Nashville, Tennessee, USA, 1994. ACM Press. [3] F. Baskett, K. Chandy, R. Muntz, and F. Palacios. Open, Closed, and Mixed Networks of Queues with Dierent Classes of Customers. Journal of the ACM, 22(2):248260, 1975. [4] A. Benoit, L. Brenner, P. Fernandes, B. Plateau, and W. J. Stewart. The PEPS Software Tool. In Computer Performance Evaluation / TOOLS 2003, volume 2794 of LNCS, pages 98115, Urbana, IL, USA, 2003. Springer-Verlag Heidelberg. [5] Y. Dallery, Z. Liu, and D. Towsley. Equivalence, reversibility, symmetry and concavity properties in fork-join queuing networks with blocking. Journal of the ACM, 41(5):903942, 1994. [6] Y. Dallery, Z. Liu, and D. Towsley. Properties of fork/join queueing networks with blocking under various operating mechanisms. IEEE Transactions on Robotics and Automation, 13(4):503518, 1997. [7] E. A. Souza e Silva and R. R. Muntz. Mtodos Computacionais de soluo de Cadeias de Markov: aplicaes a sistemas de computao e comunicao. In VIII Escola de Computao, Instituto de Informtica, UFRGS, Porto Alegre, 1992. [8] A. Economou and D. Fakinos. Product form stationary distributions for queueing networks with blocking and rerouting. Queueing Systems, 30:251260, 1998. [9] P. Fernandes. Mthodes numriques pour la solution de sustmes Markoviens grand espace dtats. PhD thesis, Institut National Polytechnique de Grenoble, France, 1998. [10] E. Gelenbe. Product form queueing networks with negative and positive customers. Journal of Applied Probability, 28:656663, 1991. [11] J.E. Hopcroft and J.D. Ullman. Introduction to automata theory, languages and computation. Addison-Welsey, 1979. [12] J. R. Jackson. Networks of waiting lines. Operations Research, 5:518521, 1957. [13] L. Kleinrock. Queueing Systems. John Wiley & Sons, New York, 1975.
70
REFERNCIAS BIBLIOGRFICAS
[14] P. R. M. Maciel, R. D. Lins, and P. R. F. Cunha. Introduo s Redes de Petri e Aplicaes. 10a Escola de Computao, Instituto de Computao, UNICAMP, Campinas, 1996. [15] P. M. Merlin and D. J. Farber. Recoverability of Communication Protocols - Implications of a Theorical Study. IEEE Transactions on Communications, 24(9):10361043, 1976. [16] M. K. Molloy. On the Integration of Delay and Throughput Measures in Distributed Processing Models. PhD thesis, University of California, Los Angeles, 1981. [17] S. Natkin. Rseaux de Petri Stochastiques. PhD thesis, CNAM, Paris, 1980. [18] J. D. Noe and G. J. Nutt. Macro E-nets representation of parallel systems. IEEE Transactions on Computers, C-22(8):718727, 1973. [19] J. L. Peterson. Petri Nets. ACM Computing Surveys, 9(3):223252, 1977. [20] M. Pidd. Computer simulations and management science. John Wiley and Sons, 1992. [21] B. Plateau. De lEvaluation du Paralllisme et de la Synchronisation. PhD thesis, Paris-Sud, Orsay, 1984. [22] B. Plateau and K. Atif. Stochastic Automata Networks for modelling parallel systems. IEEE Transactions on Software Engineering, 17(10):10931108, 1991. [23] M. Reiser and S. S. Lavenberg. Mean-value analysis of closed multichain queueing networks. Journal of the ACM, 27(2):313322, 1980. [24] L. D. Servi and S. G. Finn. M/M/1 queues with working vacations (M/M/1/WV). Performance Evaluation, 50:4152, 2002. [25] W. J. Stewart. Introduction to the numerical solution of Markov chains. Princeton University Press, 1994. [26] F. J. W. Symons. Modelling and Analysis of Communication Protocols Using Numerical Petri Nets. PhD thesis, University of Essex, 1978. [27] D. Towsley. Queueing network models with state-dependent routing. Journal of the ACM, 27(2):323337, 1980. [28] D. Towsley, P. D. Sparaggis, and C. G. Cassandras. Optimal routing and buer allocation for a class of nite capacity queueing systems. IEEE Transactions on Automatic Control, 37(9):14461451, 1992. [29] K. S. Trivedi. Probability & statistics with reliability, queuing, and computer science applications. Englewood Clis: Prentice-Hall, 1982. [30] W. M. Zuberek. Timed Petri Nets and Preliminary Performance Evaluation. In Proceedings of the 7th Annual Symposium on Computer Architecture, pages 8896, La Baule, USA, 1980. ACM Press.
Apndice A
Armazenamento do Descritor Markoviano de SAN

O Descritor Markoviano uma frmula algbrica que permite escrever de forma compacta o gerador innitesimal da cadeia de Markov correspondente a um modelo em SAN pelo vis de uma frmula matemtica [9, 21, 22]. Esta frmula matemtica descreve, a partir dos tensores de transio de cada autmato, o gerador innitesimal da cadeia de Markov associado ao modelo em SAN. Para cada autmato A(i) associado: um tensor Ql , agrupando todas as taxas das tuplas de transio dos eventos locais do conjunto El ; 2|Es | tensores Qe+ e Qe , agrupando todas as taxas das tuplas de transio dos eventos sincronizantes do conjunto Es . Sejam Qk (x(i) , y (i) ) I|S (i) |
(i) (i) (i) (i)
o elemento do tensor Qk na linha x(i) e na coluna y (i) , onde i [1..N ] e k {l, e+ , e }; o tensor identidade de ordem |S (i) |, onde i [1..N ].
(i)
Denio 18 Os elementos do tensor de transio local do autmato A(i) so denidos por: 18.1. e El , x(i) , y (i) S (i) tal que y (i) succe (x(i) ) e x(i) = y (i) Ql (x(i) , y (i) ) = 18.2. x(i) S (i) Ql (x(i) , x(i) ) =
(i) eEl (i) eEl
e (x(i) , y (i) )e (x(i) , y (i) );
e (x(i) , y (i) )e (x(i) , y (i) );

y (i) succe (x(i) )
18.3. x(i) , y (i) S (i) tal que y (i) succe (x(i) ) e x(i) = y (i) Ql (x(i) , y (i) ) = 0.
(i)
72
APNDICE A. ARMAZENAMENTO DO DESCRITOR MARKOVIANO DE SAN
A Denio 38.1 corresponde aos elementos no diagonais do tensor de transio local (taxas dos eventos locais), ao passo que a Denio 38.2 corresponde aos elementos diagonais (ajuste diagonal das taxas dos eventos locais). A Denio 38.3 dene os elementos nulos do tensor de transio local. Denio 19 Os elementos do tensor das transies sincronizadas que representam a ocorrncia do evento sincronizante e Es so denidas por: 19.1. i (e) Qe+ = I|S (i) | ; 19.2. x(
(e) )
(i)
, y (
(e) )
S ( ,y
(e) )
tal que y ( ) = e (x
(e) )
succe (x(
((e) )
(e) )
) , y (
(e) )
Qe+ (x
(i)
((e) )
((e) )
((e) )
((e) )
,y
)e (x
((e) )
);
19.3. i (e) tal que i = (e) , x(i) , y (i) S (i) tal que y (i) succe (x(i) ) Qe+ (x(i) , y (i) ) = e (x(i) , y (i) ); 19.4. i (e) , x(i) , y (i) S (i) tal que y (i) succe (x(i) ) Qe+ (x(i) , y (i) ) = 0. A Denio 39.1 corresponde aos autmatos que no dizem respeito ao evento sincronizante e. A Denio 39.2 dene os elementos no nulos (diagonais ou no) dos tensores para o autmato mestre referentes ao evento e. A Denio 39.3 dene os elementos no nulos (diagonais ou no) dos tensores para os autmatos escravos referentes ao evento e. A Denio 39.4 dene os elementos nulos dos tensores para os autmatos envolvidos no evento e. Denio 20 Os elementos do tensor das transies sincronizadas que representam o ajuste necessrio ocorrncia do evento e Es so denidas por: 20.1. i (e) Qe = I|S (i) | ; 20.2. x(
(e) )
(i)
(i)
S (
(e) ) (e) )
Qe (x(
((e) )
, x(
(e) )
)=
e (x(
(e) )
, y (
(e) )
)e (x(
(e) )
, y (
(e) )
);
(e) (e) y ( ) succe (x( ) )
20.3. i (e) , i = (e) e x(i) S (i) Qe (x(i) , x(i) ) =

(i)
e (x(i) , y (i) );
y (i) succe (x(i) )
20.4. i (e) , x(i) , y (i) S (i) e x(i) = y (i) Qe (x(i) , y (i) ) = 0. A Denio 40.1 corresponde aos autmatos que no dizem respeito ao evento sincronizante e. A Denio 40.2 corresponde aos elementos no nulos do tensor do autmato mestre do evento e, ao passo que a Denio 40.3 corresponde aos autmatos escravos. A Denio 40.4
(i)
73 corresponde aos elementos nulos dos tensores dos autmatos referentes ao evento sincronizante e (esses tensores so diagonais). Denio 21 O gerador innitesimal Q correspondente cadeia de Markov associada a uma SAN bem denida representado pela frmula tensorial chamada Descritor Markoviano [9, 21, 22]:
N
Q=
i=1
(i) Ql g
+
eEs
i=1
(i) Qe+ g
+
i=1
Qe
(i)
(A.1)
Uma vez que toda soma tensorial equivalente a uma soma de produtos tensoriais particulares, o Descritor Markoviano pode ser apresentado como:
(N +2|Es |) N g i=1
Q=
j =1
Qj , para j N e j = i para j N e j = i
(i)
(A.2)
onde Qj =
(i)
I|S (i) | (i) Ql
(i) Qe+ (j N ) ) Q(i e (j (N +|E
para N < j (N + | Es |) para j > (N + | Es |)
s |))
A Tabela A.1 representa os tensores de transio necessrias escrita da equao (A.2). A parte superior da tabela contm os tensores com as transies locais dos autmatos e corresponde (i) soma tensorial N i=1 Ql . A parte inferior da tabela subdivida nos tensores contendo as taxas de ocorrncia dos eventos sincronizantes (e+ ) e os tensores diagonais que fazem o ajuste (tornam a soma das linhas igual a zero) dos mesmos (e ).
Ql
(1)
I|S (2) |
(2) Ql
g g
. . .
g g
I|S (N 1) | I|S (N 1) | Ql
(N 1)
g g
I|S (N ) | I|S (N ) | I|S (N ) | Ql

(N )
I|S (1) |
N
I|S (1) | I|S (1) |
g g
I|S (2) | I|S (2) |
g g
g g
I|S (N 1) |
Qe+
1
(1)
Qe+
1
(2)
. . .
Qe+
1
(N 1)
Qe+
1
(N )
e+ 2|Es |
Qe+
(1)
|Es |
Qe+
(2)
|Es |
Qe+
(N 1)
|Es |
Qe+
(N )
|Es |
Qe
1
(1)
Qe
1
(2)
. . .
Qe
1
(N 1)
Qe
1
(N )
e
Qe
(1)
|Es |
Qe
(2)
|Es |
Qe
(N 1)
|Es |
Qe
(N )
|Es |
Tabela A.1: Descritor Markoviano
74
A.0.1
Exemplicao
Nesta seo, apresenta-se um exemplo completo de obteno do gerador innitesimal de um modelo descrito pelo formalismo de SAN. Demonstra-se detalhadamente a gerao dos tensores envolvidos na construo do Descritor Markoviano do modelo.
A.0.2
Descrio
A Figura A.1 apresenta um modelo descrito pelo formalismo de SAN, o qual possui trs autmatos.
A(1)
0(1) e3 ( 2 ) e4 e3 e5
A(2)
0(2) e1
A(3)
0(3)
e2(3) e3(1)
e6
e5
1(1)
2(2) e2(4)
1(2)
1(3)
Tipo loc loc syn loc syn loc
Evento e1 e2 e3 e4 e5 e6
Taxa 1 2 3 4 5 6
Figura A.1: Modelo em SAN com trs autmatos Como pode ser observado na Figura A.1, o autmato A(1) possui dois estados 0(1) e 1(1) , um evento local e4 e um evento sincronizante e3 . Assim como, autmato A(2) possui trs estados 0(2) , 1(2) e 2(2) , dois eventos locais e1 e e2 , e dois eventos sincronizantes e3 e e5 . O autmato A(3) possui dois estados 0(3) e 1(3) , um evento local e6 e um evento sincronizante e5 . Aps a identicao do tipo dos eventos (locais e sincronizantes), possvel gerar os tensores necessrios para a obteno do Descritor Markoviano do exemplo apresentado.
A.0.3
Tensores
Identicado o nmero de autmatos N = 3, bem como o nmero de eventos sincronizantes |Es |= 2 do modelo, pode-se calcular o nmero de tensores envolvidos no Descritor Markoviano descrito pela equao (A.1): N (1 + 2 |Es |) = 3(1 + 2.2) = 15 tensores A seguir, demonstra-se detalhadamente a obteno de todos os tensores envolvidos na equao (A.1). Primeiramente, identica-se o conjunto de eventos locais El = {e1 , e2 , e4 , e6 } do modelo. (i) Com isso, pode-se construir os tensores locais Ql correspondentes aos autmatos A(i) :
75 0(1) 0 4 1(1) 0 -4 0(2) - 1 2 3 0 1(2) 1 - 2 0 2(2) 0 2 4 0 0(3) 0 6 1(3) 0 -6
(1) Ql
= 0(1) 1(1)
(2) Ql
0(2) = (2) 1 2(2)
(3) Ql
= 0(3) 1(3)
Em seguida, identica-se o conjunto de eventos sincronizantes Es = {e3 , e5 }. A partir da identicao do mesmo, constri-se os tensores das transies sincronizadas que representam a ocorrncia dos eventos sincronizantes em cada autmato. Sendo assim, tem-se os tensores das (i) transies sincronizadas Qe+ correspondentes aos autmatos A(i) :
(1) Qe+ 3
0(1) 1(1)
0(1) 0 0
1(1) 3 0
(2) Qe+ 3
0(2) = (2) 1 2(2)
0(2) 0 0 2 0(2) 0 0 0
1(2) 0 0 1 1(2) 0 0 0
2(2) 0 0 0
(3) Qe+ 3
0(3) 1(3)
0(3) 1 0
1(3) 0 1
(1) Qe+ 5
0(1) 1(1)
0(1) 1 0
1(1) 0 1
(2) Qe+ 5
0(2) 1(2) 2(2)
2(2) 1 0 0
(3) Qe+ 5
0(3) 1(3)
0(3) 0 0
1(3) 5 0
Note que o autmato A(1) o autmato mestre do evento sincronizante e3 e o autmato A(3) o autmato mestre do evento sincronizante e5 , pois a taxa de ocorrncia de cada um est presente no respectivo tensor do autmato mestre. Assim como, as probabilidades dos eventos se encontram no autmato escravo A(2) . Por ltimo, constri-se os tensores das transies sincronizadas que representam o ajuste necessrio ocorrncia dos eventos sincronizantes em cada autmato. Logo, tem-se os tensores (i) Qe correspondentes aos autmatos A(i) :
(1) Qe 3
= 0(1) 1(1)
0(1) -3 0
1(1) 0 0
(2) Qe 3
0(2) 1(2) 2(2)
0(2) 0 0 0
1(2) 0 0 0
2(2) 0 0 1
(3) Qe 3
= 0(3) 1(3)
0(3) 1 0
1(3) 0 1
(1) Qe 5
= 0(1) 1(1)
0(1) 1 0
1(1) 0 1
(2) Qe 5
0(2) = (2) 1 2(2)
0(2) 1 0 0
1(2) 0 0 0
2(2) 0 0 0
(3) Qe 5
= 0(3) 1(3)
0(3) -5 0
1(3) 0 0
Uma vez obtido todos os tensores do Descritor Markoviano, pode-se obter o gerador innitesimal Q. Os ndices de Q so compostos pela ordem lexicogrca da composio dos estados de ambos os autmatos: 0(1) 0(2) 0(3) , 0(1) 0(2) 1(3) , . . . , 1(1) 2(2) 1(3) . O gerador innitesimal Q do modelo descrito pelo formalismo de SAN obtido atravs da equao (A.2):
Q=
(1 + 5 ) 0 6 (1 + 6 ) 2 3 0 0 2 3 0 0 0 0 0 5 0 0 2 4 0 0 2 4 3 0 6 (3 + 6 ) 0 0 0 0 3 2 0 0 0 0 0 0 3 2 0 0 0 0 3 1 0 0 0 0 0 0 3 1 0 0 0 0 0 0 0 0 0 0 0 0
1 0 0 1 2 0 6 (2 + 6 ) 0 0 0 0
76
4 0 0 0 0 0
0 4 0 0 0 0
0 0 4 0 0 0
0 0 0 4 0 0
0 0 0 0 4 0
0 0 0 0 0 4
(1 + 4 + 5 ) 0 6 (1 + 4 + 6 ) 2 3 0 0 2 3 0 0 0 0
1 0 0 1 (2 + 4 ) 0 6 (2 + 4 + 6 ) 0 0 0 0
0 5 0 0 2 4 0 0 2 4 4 0 6 (4 + 6 )

AQS Tudo

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

AQS Tudo

Enviado por

Direitos autorais:

Formatos disponíveis

Pontifcia Universidade Catlica do Rio Grande do Sul Faculdade de Informtica

Avaliao Quantitativa de Sistemas

Porto Alegre, agosto de 2005.

Captulo 2: Processo de Nascimento e Morte

Captulo 3: Cadeias de Markov

3.2 3.3 3.4

3.4.2 Gerador Innitesimal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.3 Vetor de Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Captulo 4: Redes de Filas de Espera

4.4 4.5 4.6

Captulo 5: Redes de Autmatos Estocsticos

Captulo 6: Redes de Petri Estocsticas

Apndice A: Armazenamento do Descritor Markoviano de SAN

A.1 Descritor Markoviano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

A.1 Modelo em SAN com trs autmatos . . . . . . . . . . . . . . . . . . . . . . . . .

Lista de Smbolos e Abreviaturas

LISTA DE SMBOLOS E ABREVIATURAS

Tcnicas de Avaliao de Sistemas

1.3. TCNICAS DE AVALIAO DE SISTEMAS

1.6. NOES DE PROBABILIDADE

Notao de Teoria das Filas

1.7. NOTAO DE TEORIA DAS FILAS

Processo de Nascimento e Morte

(intensidade de trfego) mostra que:

CAPTULO 2. PROCESSO DE NASCIMENTO E MORTE

Soluo para M/M/1/

A Figura 2.2 mostra um processo de nascimento e morte M/M/1/.

Ou, de outra maneira:

Agora falta encontrar P0 . Sabe-se que:

Soluo para M/M/C/K

Agradecimentos ao Prof. Joo Batista

CAPTULO 2. PROCESSO DE NASCIMENTO E MORTE

Figura 2.4: Processo de nascimento e morte M/M/C/K.

= 0, 5161 = 0, 2581 = 0, 1290 = 0, 0645 = 0, 0323

CAPTULO 2. PROCESSO DE NASCIMENTO E MORTE

CAPTULO 2. PROCESSO DE NASCIMENTO E MORTE

18 entre os estados do modelo em MC.

CAPTULO 3. CADEIAS DE MARKOV

3.2. DEFINIO FORMAL

20 |M| (|M| = cardinalidade(M))1 .

CAPTULO 3. CADEIAS DE MARKOV

2.3. x, y M tal que y succ(x) Q(x, y ) = 0.

1800 0,25 1 12 0,25 1

CAPTULO 3. CADEIAS DE MARKOV

CAPTULO 3. CADEIAS DE MARKOV

Redes de Filas de Espera

CAPTULO 4. REDES DE FILAS DE ESPERA

Delay (clientes nunca esperam)

Figura 4.2: Exemplo de rede de las fechada

Figura 4.3: Exemplo de rede de las aberta

4.2. DEFINIO FORMAL

CAPTULO 4. REDES DE FILAS DE ESPERA

Soluo para Redes Abertas

CAPTULO 4. REDES DE FILAS DE ESPERA

Soluo para Redes de Filas Fechadas

CAPTULO 4. REDES DE FILAS DE ESPERA

Exemplicao com rede fechada

CAPTULO 4. REDES DE FILAS DE ESPERA

Exerccios: Filas Abertas

p00 = 0, 2340 p10 = 0, 1206 p20 = 0, 0679

p01 = 0, 1629 p11 = 0, 0817 p21 = 0, 0382

p02 = 0, 1033 p12 = 0, 0516 p22 = 0, 0249

4.6. EXERCCIOS: FILAS FECHADAS

0,5 1,5 0,2 0 0,25 0,5 0,75 0