Академический Документы
Профессиональный Документы
Культура Документы
de Desempenho
Profa. Jussara M. Almeida
1 Semestre de 2011
Modelos Probabilsticos
Processos Estocsticos
Processos de Poisson
Filas M/M/1, M/G/1...
Modelos Markovianos
Exemplo : Servidor de Banco de Dados
Computador com uma CPU e dois discos rodando
um servidor de banco de dados.
Para manter QoS, apenas 2 usurios no banco de
dados por vez
Um disco 2x mais rpido que o outro
Transao tpica:
10 seg. de CPU
15 seg. no disco rpido (caso arquivo neste disco)
30 seg no disco lento
Modelos Markovianos
Exemplo : Servidor de Banco de Dados
Perguntas:
Usurio: Qual o tempo de resposta tpico?
Administrador do sistema: Qual a utilizao
de cada recurso do sistema?
Presidente da companhia: Qual desempenho
do sistema se eu dobrar o nmero de usurios
ativos no sistema
Qual o tempo de resposta se eu tiver que
migrar todos os arquivos do disco mais rpido
para o mais lento?
X = # usurios na CPU
Y = # usurios no disco rpido
Z = # usurios no disco lento
(2,0,0), (1,1,0), (1,0,1), (0,2,0), (0,1,1), (0,0,2)
Outras opes de estados podem ser mais
complicadas
Parametrizao: taxas
Se em estado (2,0,0):
Se em estado (1,1,0):
Usurio deixa a CPU a uma taxa 6, metade do tempo indo para disco
lento, metade para disco rpido
Interpretando resultados...
Servidor de Banco de Dados
Lei de Little: R = N / X
N = 2, X = ?
Medir X na sada da CPU: Ucpu = X Scpu -> X = Ucpu 1/Scpu
Ucpu = soma das probs de todos estados onde
h pelo menos 1 usurio na CPU:
Ucpu = P(2,0,0) + P(1,0,1) + P(1,1,0) = 0.1391 + 0.2987 + 0.1043 = 0.4521
1/Scpu = service rate = 6 transaes por minuto
X = 0.4521 6 = 2.7126 transaes por min.
R = 2/2.7126 = 0.7373 minutos / transao
Interpretando resultados...
Servidor de Banco de Dados
Qual a utilizao de cada dispositivo?
Ucpu = P(2,0,0) + P(1,0,1) + P(1,1,0) =
0.1391 + 0.2987 + 0.1043 = 0.4521
Ufast_disk = P(1,1,0) + P(0,2,0) + P(0,1,1) =
0.1043 + 0.0783 + 0.1565 = 0.3391
Uslow_disk = P(1,0,1) + P(0,0,2) + P(0,1,1) =
0.2087 + 0.1565 + 0.3131 = 0.6783
Interpretando resultados...
Servidor de Banco de Dados
Premissas e Limitaes
Limitao resultante:
Premissas e Limitaes
Premissa exponencial:
Limitao resultante:
Conceitos Avanados
Conceitos Avanados
Conceitos Avanados
Fato principal:
Qualquer modelo de Markov finito sem estados peridicos e
cujos estados recorrentes esto todos na mesma cadeia
tero probabilidades a longo prazo que independem do
estado inicial. Isto , o modelo tem estado estacionrio
Os modelos de Markov de interesse so aqueles que tm
comportamento estacionrio definido.
Modelos Birth-Death
Modelos Birth-Death
0
0
1
1
1
2
2
P0
P0 + P1 + P2 + .... = 1
1
k 1
1
k 0 i 0
i 1
k 1
0 1 ...k 1
Pk Pk-1
P0
k 1,2,...
k
1 2 ... k
Modelos Markovianos
Processos de Markov
Processos
Poisson
Processos Birth and Death
Processo Poisson
N(0) = 0
N(t) 0
s t N(s) N(t)
Processo Poisson
Processo Poisson
Processo Poisson
P (Y k ) e t
( t ) k
k!
k 0,1,2....
Processo Poisson
Prova:
Pn (t ) P[ N (t ) n ]
P0 (t h ) P0 (t ) P[ N (t h ) N (t ) 0)
P0 (t ) P[ N ( h ) 0] P0 (t )(1 h o( h ))
P0 (t h ) P0 (t )
o( h )
P0 (t )
h
h
dP0 (t )
h 0:
P0 (t )
dt
P0 (t ) e t
Processo Poisson
Prova:
Pn (t h ) Pn (t ) P[ N (t h ) N (t ) 0]
Pn 1 (t ) P[ N (t h ) N (t ) 1]
Pn k (t ) P[ N (t h ) N (t ) k ]
Pn (t )(1 t o( h )) hPn 1 (t ) o( h )
Pn (t h ) Pn (t )
o( h )
Pn (t ) hPn 1 (t )
h
h
dPn (t )
h 0:
Pn (t ) hPn 1 (t )
dt
e t ( t ) n
Pn (t )
( Pn (0) 0)
n!
Processo Poisson
Processo Poisson
Prova:
Uma vez que um processo Poisson tem incrementos
independentes, os eventos ocorrendo depois de tn so
independentes daqueles ocorrendo antes de tn, n=1,2,....
Logo, {n} so V.A. independentes
{n s} {N(tn-1+s) - N(tn-1) = 0}.
Logo:
P(n s) = 1 - e- s, s 0
Processo Poisson
Processo Poisson
Processo de
chegadas
Poisson
Taxa de
chegadas
constante
Tempo entre
chegadas
Exponencial
Processo Poisson
Processo Poisson
Prova:
P(Y x ) P ( 1 x |N (t ) 1)
P[ N ( x ) 1 e ( N (t ) N ( x ) 0)]
P( 1 x |N (t ) 1)
P[ N (t ) 1]
P[ N ( x ) 1]P[( N (t x ) 0)]
P[ N (t ) 1]
xe x e ( t x ) x
t
te
t
Modelos de Markov:
Uma Outra Soluo
Formal
Modelos de Markov:
Uma Outra Soluo
Formal
Modelos de Markov:
Uma Outra Soluo
Formal
pi(,mj ) P X n m j | X n i
pi(,mj ) pi(,mk 1) pki
m 2,3,...
(j n ) P X n j
( n ) 0( n ) , 1( n ) , 2( n ) ,...
Modelos de Markov:
Uma Outra Soluo
Formal
(1) (0)P
(2) (1)P (0)P P (0)P 2
(n )
(n1)
P P
(0)
n 1,2,3,...
Modelos de Markov:
Uma Outra Soluo
Formal
lim
(n)
lim
n
(n)
j ij pi , j
lim
n
( n 1)
Modelos de Markov:
Exemplo
Zeus (1)
Abra (0)
Sucsamad (2)
0
3 / 4 1 / 4
P 1/ 4
0
3/ 4
1 / 4 1 / 4 1 / 2
P
1 2 0 1 2
0 = 00 + 1 + 2
1 = 0 + 0 1 + 2
2 = 0 + 1 + 2
1 = 0 + 1 + 2
0
3 / 4 1 / 4
1/ 4
0 3/ 4
1 / 4 1 / 4 1 / 2
0( n )
1( n )
2( n )
0
1
2
3
4
...
1
0
0.250 0.187 0.203
0.20
0 0.75 0.062 0.359 0.254
0.28
0 0.25 0.688 0.454 0.543
0.52
0( n )
1( n )
2( n )
0
1
2
3
4
...
0 0.25 0.187 0.203 0.199
0.20
1
0
0.375 0.250 0.289
0.28
0 0.75 0.438 0.547 0.512
0.52
(0) = [0, 0 ,1 ]
0( n )
1( n )
2( n )
0
1
2
3
4
...
0 0.25 0.187 0.203 0.199
0.20
0 0.25 0.313 0.266 0.285
0.28
1 0.50 0.500 0.531 0.516
0.52
Modelos de Markov:
Uma Outra Soluo
Formal
P ( n ) [ pi , j ( n, n 1)]
H ( m, n ) [ pi , j ( m, n )]
Modelos de Markov:
Uma Outra Soluo
Formal
Equaes de Chapman-Komogorov
H ( m , n ) H ( m , q ) H ( q, n )
ou
p i , j ( m , n ) p i , k ( m , q ) p k , j ( q, n )
k
H ( m, n ) H ( m, n 1) P( n 1)
H ( m, n ) P ( m ) H ( m 1, n )
( forward )
ou
(backward )
H ( m, n ) P ( m ) P( m 1).... P ( n 1)
m n 1
Modelos de Markov:
Uma Outra Soluo
Formal
Modelos de Markov:
Uma Outra Soluo
Formal
Modelos de Markov:
Uma Outra Soluo
Formal
Probabilidades de transio p (s,t)
i,j
ts
Equaes de Chapman-Kolmogorov
p i , j ( s , t ) pi ,k ( s , u ) p k , j ( u , t )
k
matriz : H ( s, t ) pi , j ( s, t ) H ( s, t ) H ( s, u ) H (u, t )
sut
Modelos de Markov:
Uma Outra Soluo
Formal
Equaes de Chapman-Kolmogorov (forward)
P(t ) p (t , t t )
i, j
H ( s, t ) H ( s, t t ) P(t )
H ( s, t ) H ( s, t t ) H ( s, t t ) P( t ) H ( s, t t )
H ( s, t t ) P( t ) I
H ( s, t ) H ( s, t t ) H ( s, t t ) P( t ) I
t
t
dH ( s, t )
t 0 :
H ( s, t )Q (t )
st
dt
P(t ) I Matriz Q(t): gerador infinitesimal da
Q (t ) lim
matriz de transio H(s,t)
t 0
t
Ou matriz de taxa de transio
Modelos de Markov:
Uma Outra Soluo
Formal
P (t ) I
Q (t ) lim
t 0
t
pi ,i (t , t t ) 1
qi ,i (t ) lim
t 0
t
qi , j (t ) lim
pi , j (t , t t )
t 0
p
j
i, j
( s, t ) 1 qi , j (t ) 0
j
i j
Modelos de Markov:
Uma Outra Soluo
Formal
Se cadeia de Markov homognea: taxas de transio
independem do tempo
H ( t ) H ( s , s t ) pi , j ( t )
Q Q (t )
dH (t )
d ( t )
H (t )Q
(t )Q
dt
dt
lim (t )
t
d (t )
lim (t )Q lim
t
t
dt
Q 0
1
1
0
Q 1
2
2
0
0
( 1 1 ) 1 qi , j 0
j
2
2
0
2 1
0
0
( 1 1 ) 1 0
2
2
-0 0 + 1 1 = 0
0 0 (1 + 1) 1 + 2 2 = 0
1 1 - 2 2 = 0
1 + 2 + 3 = 0
Mesmas equaes
obtidas fazendo
Fluxo entrando = fluxo saindo