02/04/2024

Gestion de flux et Qualité de Service

dans les réseaux mobiles 4G/5G

Salah Eddine El Ayoubi

Professeur à Centralesupelec
Chercheur au L2S

[Link]@[Link]

Objectifs du cours
Maitriser les outils qui permettent de :
– prédire la capacité du réseau mobile à offrir les différents flux de services:
(voix, vidéo, données, services critiques) avec une Qualité de Service (QoS)
acceptable

Prédire la capacité du réseau:

– conception de l’interface radio du réseau 4G/5G et évaluation des
performances

Alterne cours/TD et finit par un TP:

– Séances 1&2: interface radio 4G et calcul du débit (cours puis TD)
– Séances 3&4: capacité de la 4G pour différents services (cours puis TD)
– Séances 5&6: introduction à la 5G et capacité des services critiques en
latence (cours puis TD).
– Séances 7&8: TP sur les performances de la 4G

Evaluation:
– 50%: examen écrit
– 50%: TP

1
 02/04/2024

Capacité de trafic des réseaux mobiles

Comprendre l’interface radio de la 4G

Calcul du débit dans une cellule typique
Performances des services temps réel
Performances des services de données
Impact de fonctionnalités avancées d’allocation de ressources
Introduction à la 5G et capacité des services critiques

Allocation de ressources en 4G
Orthogonal Frequency Division Multiplexing (OFDM)
– Divise la bande en de sous-porteuses étroites

OFDM Access (OFDMA) assure une flexibilité d’allocation de ressources

– Ressources en temps et en fréquence
– Allouées aux usagers selon leurs besoins

2
 02/04/2024

Protocole LTE (découpage fréquentiel)

– LTE = Long term evolution, On prend l’exemple ici de la bande 800MHz en France :

Une sous bande s’appelle un resource block (RB) ou

Physical Resource Block (PRB)

D’un point de vue temporel, toutes les 0.5ms

sont émis 7 symboles sur une sous porteuse :

L’émission sur une sous

porteuse pendant un
symbole s’appelle un Radio
Element (RE)

1RE=15 KHz*0.072 ms

L’émission de 7 symboles s’appelle un slot

Protocole LTE (découpage temporel)

2 slot forment une subframe, et 10 subframe forment un frame :

Une trame dure donc 10 ms. Le protocole LTE fonctionne donc en envoyant un frame toutes les 10 ms :
SubFrame 0 SubFrame 1 Ainsi de suite jusqu’à la 10e subframe
slot 0 slot 1 slot 0 slot 1

Subcarrier 1
symb 0 to 6 symb 0 to 6 symb 0 to 6 symb 0 to 6 • Une case correspond donc à 1 Radio Element
Subcarrier 2
RB 0 Subcarrier 3 Ils peuvent être utilisés pour différents usages :
….
Subcarrier 11
Subcarrier 12 • Reference Signal (RS) : Permet au site de s’annoncer, c’est le signal
que cherche le téléphone pour se connecter au réseau
Subcarrier 1
Subcarrier 2
• Physical Downlink Control Channel (PDCCH) : Permet de dire à un
RB 49 Subcarrier 3
…. téléphone connecté sur le site quel RE lui ait attribué
Subcarrier 11
Subcarrier 12
Subcarrier 1
Subcarrier 2
• Physical Downlink Shared Channel (PDSCH) : RE sur lesquels le site
RB 50 Subcarrier 3 radio va transmettre les données aux téléphones
….
Subcarrier 11
Subcarrier 12 Et d’autres canaux spécifiques à la 4G …
(détail ici : [Link]
Subcarrier 1
Subcarrier 2
RB 99 Subcarrier 3 En pratique donc, seuls les PDSCH transmettent effectivement
….
Subcarrier 11 des données utiles
Subcarrier 12

3
 02/04/2024

Protocole LTE (Trame complète)

2 slot forment une subframe, et 10 subframe forment une trame (frame):

Seuls les PDSCH transportent des

En orange les PDCCH (control)
symboles utiles pour la transmission
En rouge les RS (référence)
de données
Les autres couleurs sont pour les autres canaux
Et en blanc les PDSCH qui transmettent l’info utile
En général, 77,9% des RE sont des
PDSCH

De la trame LTE vers le débit utile

1 RE (15 KHz sur 0.072 ms) correspond à une chaine de modulation et de codage canal
Prenons l’exemple d’une modulation QPSK (Quadrature Phase Shift Keying) ou 4-QAM
1 RE peut transporter 2 bits
Sur 1 RB=12 RE, et 0.072 ms, on a 2*12=24 bits
Débit par RB: 24/0.072=336 Kbit/s
Ce débit intègre tous les RE, même ceux de contrôle:
Débit de données=0.779*336=262 Kbit/s
Ce débit est un débit brut, incluant le codage canal
- prenons un QPSK ½ (code de rendement 0.5)
- débit utile d’un terminal qui utilise 1 RB : 262*0.5=131 Kbit/s
En général, pour un modulation M-QAM, un code de rendement R
- débit utile d’un terminal qui utilise 1 RB = 131*log2(M)*R Kbit/s
- exemple pour 64 QAM ¾: débit=590 Kbit/s/RB

4
 02/04/2024

Interférences et modulation adaptative

Pas d’interférence entre usagers de

la même cellule
Les interférences inter-cellulaires
sont dues aux à l’utilisation de
mêmes ressources dans des
cellules voisines (collisions)
En bordure de cellule:
- l’interférence est forte
- le signal utile est faible
- le SINR est faible

Un SINR faible provoque une

probabilité de perte élevée

Exemple pour la modulation 16-QAM: impact du SINR

Pour une modulation donnée, un SINR faible provoque des erreurs de décodage
Un détecteur à seuil n’arrive pas à différencier les points de la constellation
Exemple pour 2000 points de simulation:

SINR=20 dB SINR=10 dB

10

5
 02/04/2024

Exemple pour la modulation 16-QAM: impact du SINR

le taux d’erreur diminue quand le SINR augmente
le débit s’approche du débit nominatif quand le SINR devient très grand
Exemple pour le 16 QAM ¾: débit nominatif de 131*log2(16)*3/4=393 Kbit/s/RB
atteint pour SINR=12 dB

11

Adaptation de schéma de modulation et de codage

En 4G, plusieurs schémas de modulation et de codage sont possibles (QPSK, 16
QAM et 64 QAM, avec différents taux de codage).
Le SINR est mesuré puis le meilleur MCS est choisi: c’est l’adaptation de MCS
La courbe finale agrégée est obtenue en choisissant pour chaque SINR le MCS qui
maximise le débit multiplié par (1-taux d’erreur)

12

12

6
 02/04/2024

Courbes de lien

Origine: Jean-Baptiste LANDRE, Ziad EL RAWAS, Raphaël

Approx
VISOZ (Orange), LTE performance assessment Prediction MCS index Modulation Coding rate
0 QPSK 0,11079365
versus field measurements, IEEE PIMRC 2013. 1 QPSK 0,14380952
2 QPSK 0,18190476

– 20 MHz de spectre (100 RB) 3 QPSK 0,22761905

4 QPSK 0,28666667
– 10% de taux d’erreur cible 5 QPSK 0,34761905
6 QPSK 0,40857143
– LTE MIMO 2*2 7 QPSK 0,4847619
8 QPSK 0,56
9 QPSK 0,62857143
10 16QAM 0,31428571
11 16QAM 0,34857143
12 16QAM 0,39380952
13 16QAM 0,4547619
14 16QAM 0,50507937
15 16QAM 0,56222222
16 16QAM 0,60666667
17 64QAM 0,40444444
18 64QAM 0,43460317
19 64QAM 0,48539683
20 64QAM 0,5189418
21 64QAM 0,57957672
22 64QAM 0,62021164
23 64QAM 0,67492063
24 64QAM 0,72825397
25 64QAM 0,7584127
26 64QAM 0,81566138
27 64QAM 0,84359788
28 64QAM 0,99703704
13
Origine: 3GPP 36.213

13

Comparaison avec le débit théorique

Ce débit est à comparé avec le débit donné par la théorie de l’information

(formule de Shannon): Débit=Bande*log2(1+SNR)
Afin de trouver une correspondance, il faut 2 ajustements :
– un facteur de correction a=0.5 qui tient compte des inefficacités
– un plafonnement au débit de la meilleure modulation (64-QAM)

Approche adoptée par : Jovanovic et

al. “QoS and network performance
estimation in heterogeneous cellular
networks validated by real-field
measurements”. ACM symposium on
Performance evaluation of wireless ad
hoc, sensor, & ubiquitous
networks (pp. 25-32). ACM, 2014.

14

14

7
 02/04/2024

Capacité de trafic des réseaux mobiles

Comprendre l’interface radio de la 4G

Calcul du débit dans une cellule typique
Performances des services temps réel
Performances des services de données
Impact de fonctionnalités avancées d’allocation de ressources
Introduction à la 5G et capacité des services critiques

15

15

Bilan de liaison pour le calcul de débit

Objectif du bilan de liaison:

trouver la distance maximale entre un usager et sa station serveuse pour une
qualité cible de réception

Signaux Qualité de
Paramètres des Modèle de réception Rayon de
équipements propagation reçus cellule

16

16

8
 02/04/2024

Paramètres de équipements

Gains des antennes :

– la directivité amplifie le signal (station de base)

Pertes des câbles (feeder) :

– câbles entre l’amplificateur et l’antenne
Pour une puissance émise Pmax :

17

17

Rappel: Modèles d’atténuation du canal

Prennent en compte uniquement la distance
Propagation en espace libre

– valide uniquement en visée directe

Modèles statistiques
– Régression linéaire du path loss (dB)
– À partir de mesures
– Pour tous les environnements
– urbain, suburbain, rural
– modèle Okumura Hata:
– Path loss = A+B*log10(d)

18

18

9
 02/04/2024

Rappel: Effet de masque - Shadowing

Le shadowing est une variable aléatoire indépendante de la distance
entre émetteur et récepteur, mais uniquement des obstacles
Si le shadowing est reporté en dB, il peut être modélisé comme une
variable gaussienne centrée : s∼N(0,σ2)
Pour un modèle de path loss simplifié du type A+B*log10(d) :
Pr=Pt-A-B*log10(d)-s;
Le shadowing a un impact non négligeable sur la couverture :
– Il est pris en compte par le rajout d’une marge au path loss

19

19

Puissance médiane reçue à une distance donnée

Puissance reçue (dBm)= Puissance émise Paramètre Valeur

Fréquence porteuse 2100 MHz
+ Gain antenne f0
Puissance émise 43 dBm
- perte câble max
Modèle de Path loss A=136.5
- A - B*log10(distance) Hata (Urbain
Hauteurs d’antenne B=35.7
: 20 m – 2 m)
- marge shadowing A+B*log(distance)
Distance en Km
Calculer la puissance reçue en bordure de
cellule?
Rayon de la cellule 1 Km
– à 1 Km: 2.5 10-10 mW
Pertes câbles 0 dB
(feeder)
Pour déterminer la puissance reçue acceptable,
Gains d’antenne 3 dBi
il faut comparer la puissance utile au bruit (omni)
thermique et les interférences des autres sites Marge de 6 dB
radio. shadowing

20

20

10
 02/04/2024

Calcul de la puissance du bruit et du SNR

Le bruit est présent sur tout le spectre fréquentiel et a une densité

spectrale de puissance constante
– valeur empirique: -174 dBm/Hz=10-17.4 mWatt/Hz
Quand une bande limitée, de largeur W, est utilisée, la puissance de
bruit récupérée sur cette bande est donnée par: 10-17.4 * W (mWatt)
La puissance du bruit (en dBm) est alors égale à:
N= -174 + 10 log10 (W)
Exemple pour un système 4G :
– porteuse de 20 MHz
– puissance du bruit: N= -101 dBm ou 8 10-11 mWatt
Le SNR en bordure de la cellule est alors donné par:
– SNR=Preçue-N=5 dB
Le débit en bordure de la cellule : Débit=a*Bande*log2(1+SNR)
– Débit=20.5 Mbit/s
21

21

L’interférence dans le sens descendant (downlink)

Il ne suffit pas de garantir un

niveau suffisamment élevé au
dessus du bruit
– le signal reçu doit être aussi élevé
par rapport aux interférences
L’interférence reçue par le terminal
dépend
– de la position du terminal dans la
cellule (plus grande en bordure)
– de la position des sites radio qui
utilisent la même fréquence
porteuse que le terminal en
réception
– des puissances émises des
autres sites

22

22

11
 02/04/2024

SINR (Signal to Interference and Noise Ratio)

L’interference et le bruit dégradent le SINR (Signal to Interference and Noise
Ratio):

Deux façons pour considérer l’ interférence :

– Explicite: calcul des atténuations des différentes positions spatiales
– Approximative et empirique: concept d’élévation de bruit (noise rise), où
l’interférence est considérée comme un bruit additionnel qui élève le niveau du bruit
au dessus du plancher de bruit thermique

23

23

Puissance reçue à une distance donnée

Puissance reçue (dBm)= Puissance émise Paramètre Valeur

Fréquence porteuse 2100 MHz
+ Gain antenne
Puissance émise 43 dBm
- perte câble Modèle de Path loss A=136.5
A+B*log(distance)
Distance en Km B=35.7
- A - B*log10(distance)
Rayon de la cellule 1 Km
- marge shadowing
Pertes câbles 0 dB
Puissance du bruit: Gains d’antenne 3 dBi
(omni)
N (dBm)= -174 + 10 log10 (W)+ Noise rise
Marge de 6 dB
shadowing
SINR (dB)=Puissance reçue - N Bruit thermique -174 dBm/Hz

Impact des interférences: Largeur de 20 MHz

porteuse (W)
– sans interférences: SNR=5 dB, débit=20.5 Mbps
Noise rise 0 dB, 3 dB, 9 dB
– Noise rise=3dB: SNR= 2 dB, débit= 13.7 Mbps
– Noise rise=9dB: SNR= -4 dB, débit= 4.8 Mbps Modèle de débit a=0.5
D=a*W*min[b,
log2(1+SINR)] b=6
24

24

12
 02/04/2024

Calcul du débit en fonction de la distance

Le bilan de liaison donne le SINR en chaque point de la cellule

Ce SINR est transformé en débit moyennant les courbes d’adaptation de lien
Ce débit est celui d’un usager seul dans la cellule à des positions différentes
Débit maximal

Débit en
bordure

25

25

Comment utiliser le bilan de liaison pour le calcul de

la capacité?
Le débit est une fonction décroissante avec la distance
Afin de faciliter l’évaluation des performances, La cellule peut
être décomposée en anneaux concentriques
– le débit est considéré comme constant dans chaque anneau
– un plus grand nombre d’anneaux augmente la précision et la
complexité

26

26

13
 02/04/2024

Capacité de trafic des réseaux mobiles

Comprendre l’interface radio de la 4G

Calcul du débit dans une cellule typique
Performances des services temps réel
Performances des services de données
Impact de fonctionnalités avancées d’allocation de ressources
Introduction à la 5G et capacité des services critiques

27

27

Notion de trafic, de capacité et de QoS

La modélisation de l’interface radio permet de calculer le débit de l’usager s’il

est seul dans la cellule
– exemple: un usager situé à 500 m de la station de base aura 25 Mbit/s alors
qu’un usager à 1 Km de la station de base aura 5 Mbit/s
Questions qui restent ouvertes :
– Tenant compte du nombre de clients dans la cellule et du trafic généré par
chaque client, combien de débit aura chaque usager?
– Est-ce que les ressources fréquentielles sont suffisantes pour servir tous les
clients présents dans la cellule avec une qualité acceptable?
La qualité perçue par les usagers dépend du service, d’où le terme Quality
de Service (QoS, pour Quality of Service):
– taux de blocage pour les appels voix ou visio (connus sous le terme de
trafic temps réel)
– temps de transfert pour le service de données (email, web)
Besoin de connaitre le trafic à écouler pour chaque service, ses
caractéristiques et sa consommation en ressources

28

28

14
 02/04/2024

Rappel: Modèle de trafic (événements discrets)

Nombre d’appels simultanés en un point du réseau

8
n(t) communications en cours

0
0 500 1000 1500 2000 2500 3000 3500 Temps t (s)

Processus stochastique qui dépend du processus d’arrivée des communications

et de leurs durées

29

29

Rappel: Processus d’arrivée et de départ

Processus Nombre d’appels simultanés
– durées entre appels successifs xi
– durées des appels yi

Diagramme décrivant l’évolution de l’état du système :

2 … n …
0 1
30

30

15
 02/04/2024

Evolution du système avec blocage à K canaux serveurs

Cas particulier d’un système à capacité limitée à K canaux, chacun
pouvant servir un usager au plus :

2 … n … K
0 1

Système libre : processus de Système contraint avec K=7

naissance et de mort canaux
QoS = probabilité de blocage = probabilité de trouver le système dans l’état K
d’où l’importance de calculer les probabilités d’états stationnaires.
31

31

Difficulté de calcul des probabilités d’états

stationnaires dans le cas général
Les demandes de communication arrivent selon un processus
stochastique de moyenne 𝜆 demandes par seconde et ont une loi de
service quelconque de moyenne T=1/𝜇 secondes
La probabilité de transition de l’état n vers l’état n-1 ne peut pas être
complètement décrite par la moyenne 𝜇 car elle dépend du temps de
service résiduel de chaque appel :
– dans l’état n=2, une communication qui a commencé dans un système vide a
plus de chance de finir qu’une communication qui a commencé dans l’état 1.
– Afin de décrire complètement le système, il faut connaitre le temps de service
déjà effectué de chacun des appels : état =(n, Te1,Te2,…Ten)
– intractable, d’où l’intérêt d’un système sans mémoire: Processus de Poisson
pour les arrivées, et loi de service exponentielle

2 … n … K
0 1

32

32

16
 02/04/2024

Rappel sur la propriété sans mémoire

Définition : soit X une variable aléatoire définissant la durée de vie d'un

phénomène. On dit que X est sans mémoire si la condition suivante est
vérifiée : 𝑃 𝑋 > 𝑥 + 𝑡|𝑋 > 𝑡 = 𝑃(𝑋 > 𝑥).
Théorème : Pour toute variable X sans mémoire, si l’on note F(t)=P(X>t), il
existe une constante λ>0 telle que F(t)=e-λt. On dit que X suit une loi
exponentielle de paramètre λ.
Preuve : selon le théorème des probabilités totales:
𝑃 𝑋 > 𝑥 + 𝑡 = 𝑃 𝑋 > 𝑥 + 𝑡 |𝑋 > 𝑡 𝑃 𝑋 > 𝑡 + 𝑃 𝑋 > 𝑥 + 𝑡 |𝑋 ≤ 𝑡 𝑃 𝑋 ≤ 𝑡
= 𝑃 𝑋 > 𝑥 + 𝑡 |𝑋 > 𝑡 𝑃 𝑋 > 𝑡
– combiné à la propriété sans mémoire, ceci donne : F(x+t)=F(x)F(t).
– Seule une fonction exponentielle vérifie cette propriété.
– Comme F(0)=1 et F(t) est décroissante, il existe une constante λ>0 telle
que F(t)=e-λt.
Propriétés de la loi exponentielle :
– Densité de probabilité : f(t)= λe-λt.
– Moyenne = écart type = 1/λ
33

33

Rappel sur le processus de Poisson

Définition : un processus ponctuel sur ℝ+ est une séquence croissante de

variables aléatoires réelles non négatives T1, T2, T3,…, représentant les
temps d’occurrence d’évènements aléatoires. 𝝉1, 𝝉2, 𝝉3 ,…, avec 𝝉n= Tn -Tn-1
(T0=0), sont les temps d’inter-arrivées du processus.
Processus de Poisson : Un processus de Poisson d’intensité λ>0 est un
processus ponctuel dont les inter-arrivées sont des variables aléatoires
indépendantes qui suivent une loi exponentielle de paramètre λ.
Propriétés du processus de Poisson:
– Les nombres d’arrivées dans des intervalles disjoints sont
indépendants
– Le nombre d’arrivées dans tout intervalle (s,t], noté par N(s,t), est une
variable aléatoire de Poisson de moyenne λ(t-s) :

– Un processus de poisson est amnésique : la connaissance du

processus jusqu’à t ne permet pas de prédire son évolution future.

34

34

17
 02/04/2024

Rappel sur les chaînes de Markov

Une séquence de variables aléatoires X0,X1,…, à valeurs dans un espace

d’états E est une chaîne de Markov si cette séquence est sans mémoire
– pour tout n⩾0 et tous états x, y, x0, x1, …, xn-1 de E :

Une chaîne de Markov est dite homogène si :

Les probabilités de transition q(x,y) caractérisent complètement la chaîne et :

Les probabilités d’états stationnaires p(x) vérifient les équations de balance :

– la fréquence de sortie d’un état est égale à la fréquence de sa visite

35

35

Retour sur le problème de téléphonie

Arrivées de Poisson de moyenne λ (appels/s)
Un appel a une durée de loi exponentielle de paramètre µ = 1/T
λ λ λ
λ

2 … n … M
0 1
2/T n/T M/T
1/T

Pour n usagers actifs, il y a n variables aléatoires concurrentes

représentant les durées résiduelles des appels en cours
– selon la propriété d’amnésie, ce sont des lois exponentielles
indépendantes de paramètre µ
– La transition de n vers n-1 se fait à l’expiration de l’un de ces timers :
minimum de ces n variables suit une loi exponentielle de paramètre n μ
– la transition de n vers n+1 se fait à l’arrivée d’un nouvel appel, à taux λ

Le système évolue comme un chaîne de Markov à temps continu :

– Probabilité pi d’être dans l’état i. Fréquence qji de transition de j à i
36

36

18
 02/04/2024

Obtention des probabilités d’états

λ λ λ
λ

2 … n … M
0 1
2/T n/T M/T
1/T

Résolution des équations de balance:

𝑝! % 𝑞!" = % 𝑝" 𝑞"!
"#! "#!
%!
Commencer par l’état 0 : 𝑝$ 𝜆 = &
⟹ 𝑝' = 𝑝$ 𝜆𝑇
' (%" %!)&
Récursivement : 𝑝' (𝜆 + &) = &
⟹ 𝑝( = (

𝑝*+'𝜆𝑇 (𝜆𝑇)*
𝑝* = = 𝑝$
𝑛 𝑛!

p0 est obtenue en observant que Σpn=1, d’où les probabilités d’états :

37

37

Probabilité de blocage (Loi d’Erlang-B)

Un équipement a une capacité de M appels simultanés (circuits)

Trafic agrégé de λ appels/s

Chaque appel occupe un circuit pendant un temps T en moyenne
E = intensité de trafic = λT (sans unité, la convention est l’Erlang, en
référence au mathématicien Danois Agner Krarup Erlang)
Si un appel arrive alors que tous les circuits sont occupés, il est
bloqué (d’où le nom d’Erlang-B)
Probabilité de blocage:

38

38

19
 02/04/2024

Abaques d’Erlang-B
Probabilité de
blocage
K 100
0.0001 0.001 0.01

95
90
85
80
75
70
65
60
55
50
45
40
35
30
25
20
15
10
5

5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85

39

39

Principe général du calcul de la capacité d’Erlang

Quel que soit le modèle de trafic ou le service, la capacité d’Erlang
est décrite par un trio :
Capacité
– Trafic : exemple, un nombre d’Erlang
– QoS : exemple, un blocage cible
– Capacité physique : par exemple des circuits

QoS Trafic
Connaître deux sommets de ce triangle permet de calculer le 3ème
Deux difficultés majeures :
– La capacité physique du système n’est pas toujours simple à
déterminer, surtout dans les réseaux mobiles où le système ne contient
pas de circuits mais est caractérisé par des puissances et du spectre
– Les probabilités d’états stationnaires ne sont pas toujours faciles à
obtenir dans le régime général. Besoin d’hypothèses simplificatrices
(lois exponentielles) ou d’étude dans un régime limite (très forte charge).

40

40

20
 02/04/2024

Application à une cellule 4G - Approximation à une classe

Résultat du bilan de liaison : débit versus distance

Trafic : service Visio à débit cible D
durée moyenne T
intensité 𝜆 appels/s uniformément distribués
Hypothèse: Tout le monde a le même débit
débit moyen 𝑑 > 𝐷
Si un usager est alloué toutes les ressources en spectre de la cellule, il peut
avoir un débit de 𝑑, mais il n’a besoin que de D:
il consomme une proportion des ressources égale à D/𝑑
Si k usagers sont actifs, ils consomment une proportion des ressources kD/𝑑
,
L’équation de la capacité est donc: 𝑘 ≤ (valeur entière)
-
,
C’est une file M/G/K/K, avec K= . On peut utiliser la loi d’Erlang-B
-

41

41

Trafic temps réel: multi-Erlang pour 2 anneaux

Considérons un trafic de visioconférence, requérant un débit de 250
Kbps.
Exemple: 2 anneaux
– 25 Mbps de débit au centre de la cellule:
– une communication au centre occupe 0.25/25=1% des ressources
– 2.5 Mbps en bordure de cellule
– une communication en bordure occupe 0.25/2.5=10% des ressources
– Une contrainte de contrôle d’admission limite le nombre de clients au centre
(k1) et en bordure de la cellule (k2) : k1+10*k2<100
Le système évolue selon une chaîne de Markov K1,K2 -1
K2 /T
– taux d’arrivée dans zone j est Poisson(𝜆j) λ1
– taux de départ de la zone j est Exp(kj /T)
– trafic de la zone j est Ej= 𝜆j /T K1-1,K2 K1,K2
K1+1,K2

λ2
Pr(k1,k2)=Pr(0,0) E1K1/k1! * E2K2/k2! K1 /T
K1,K2+1

42

42

21
 02/04/2024

Trafic temps réel : cas général de J anneaux

En pratique, les conditions radio sont si hétérogènes dans la cellule
qu’une décomposition en de multiples anneaux, disons J anneaux
Le débit dans l’anneau j est égal à dj, et le débit cible est D, d’où le
pourcentage de ressources consommées par un usager de type j :
aj=100*D/dj (arrondis à des entiers). Définir le vecteur a=(a1,…aJ)
L’espace d’états est alors de dimension J, un état étant décrit par le
nombre d’usagers dans chaque anneau k=(k1,…kJ)
L’espace d’états est :
L’espace de blocage pour la classe j est:
- Etats entre les hyperplans correspondant à C et C-aj

Les probabilités d’états stationnaires sont :

43

43

Application à une cellule 4G

Résultat du bilan de liaison : débit dans l’anneau j = dj

Trafic : service Visio à débit cible D, durée moyenne T, intensité 𝜆 appels/s
uniformément distribuée sur la surface de la cellule
Poids de l’anneau j = qj =surface relative de l’anneau = (Rj2-Rj-12)/R2
Consommation de ressources d’un appel dans l’anneau j = aj=100*D/dj
Trafic dans l’anneau j = Ej =𝜆 T qj
Multi-Erlang donne les blocages bj
Le blocage est la moyenne sur les anneaux :

44

44

22
 02/04/2024

Exemple de performances par le multi-Erlang

Service Visio:
débit cible D=250 Kbps,
durée moyenne T=3 minutes

Pour un blocage cible de 1%, le système supporte 25 Erlang

45

45

multi-Erlang et approximations à une classe (1/2)

Il est parfois tentant de considérer le système comme un système à une seule

classe en moyennant le débit sur la surface de la cellule
/
Débit moyen sur les anneaux : 𝑑 = ∑".' 𝑞" 𝑑" = 17.36 𝑀𝑏𝑝𝑠
Nombre de circuits dans la cellule K= 𝑑 /D= 17.36/0.25= 69 circuits
Erlang-B pour blocage cible de 1% : trafic maximal de 55 Erlang >> 25 Erlang
Alternative : moyenner les consommations de ressources :
/ /
𝐷
𝑎 = B 𝑞" 𝑎" = B 𝑞" = 2.63%
𝑑"
".' ".'
D’où le nombre d’appels «moyens» que le système supporte K=1/a=38 circuits
Erlang-B pour un blocage cible de 1%: trafic maximal de 27 Erlang. Bonne
approximation (proche de 25 Erlang par la loi de multi-Erlang).
Cette consommation moyenne de ressources correspond à une moyenne
harmonique des débits
+'
/ / /
𝐷 𝐷 𝑞" 𝑑0123
𝑎 = B 𝑞" 𝑎" = B 𝑞" = ;𝑑 = B ;𝐾 = 𝑐𝑖𝑟𝑐𝑢𝑖𝑡𝑠
𝑑" 𝑑0123 0123 𝑑" 𝐷
46 ".' ".' ".'

46

23
 02/04/2024

multi-Erlang et approximations à une classe (2/2)

Ces 2 approximations du système par une classe correspondent à 2 moyennes

Approximation 1: Approximation 2:
Moyenne arithmétique des débits Moyenne harmonique des débits
Nombre de circuits : Nombre de circuits :

La moyenne harmonique donne plus

de poids aux usagers en bordure de
cellule qui sont plus bloqués
Avantages du multi-Erlang par
rapport à Erlang-B avec une classe
calculée par la moyenne harmonique
des débits :
– plus exact
– permet de garantir des
performances en bordure
47

47

Multi-Erlang: Algorithme de Kaufman-Roberts

Afin de calculer les performances, Kaufman et Roberts (1981) proposèrent un

algorithme récursif de calcul de la constante de normalisation G
Définir les sous-espaces de A, 𝛺(c), correspondant aux états où la
consommation de ressources est égale à un entier c≤C : k∈𝛺(c)⇔a.k=c
k2 a1=1; a2=2

𝛺(0)={(0,0)}
𝛺(1)={(1,0)}
𝛺(2)={(2,0),(0,1)}
𝛺(3)={(3,0),(1,1)}
….

k1

G(c) la somme des probabilités non normalisées dans 𝛺(c)

G(C)=G, la constante de normalisation
48

48

24
 02/04/2024

Multi-Erlang: Algorithme de Kaufman-Roberts

On peut montrer que :
G(c) calculés itérativement

k2 a1=1; a2=2
𝛺(0)={(0,0)} ⇢ G(0)=1
𝛺(1)={(1,0)} ⇢ G(1)=E1 =E1G(0)+ 2E2G(-1)
𝛺(2)={(2,0),(0,1)} ⇢ G(2)=E12/2+E2=(E1G(1)+ 2E2G(0))/2
𝛺(3)={(3,0),(1,1)} ⇢ G(3)=E13/6+ E1 E2=(E1G(2)+ 2E2G(1))/3
….
….
k1

Les sous-espaces de blocage sont :

La probabilité de blocage de la classe j est alors :

49 49

49

Capacité de trafic des réseaux mobiles

Comprendre l’interface radio de la 4G

Calcul du débit dans une cellule typique
Performances des services temps réel
Performances des services de données
Impact de fonctionnalités avancées d’allocation de ressources
Introduction à la 5G et capacité des services critiques

50

50

25
 02/04/2024

Modèle de trafic et de qualité pour des services de

données
Le trafic de données n’a pas les mêmes caractéristiques que le
service voix: les appels de données sont élastiques en temps en
fonction du débit alloué.
La métrique de performance principale pour les données est le
temps moyen de transfert d’un fichier typique, ou d’une façon
équivalente le débit moyen.
Le débit vu par les usagers dépend de 2 facteurs:
– La qualité du lien radio (SINR) : modélisation de l’interface radio
– La charge de la cellule : modélisation du trafic

51

51

File d’attente (Processor Sharing)

- Un nombre variable de
flots n Capacité C
- Les flots arrivent selon
une loi Poisson(λ)
- Taille exponentielle d’un
flot
Ordonnancement
round robin

File M/M/1/PS
Un système a une capacité C (bits/s), et sert n usagers à tour de
rôle (round robin scheduling)
Les flots (appels) arrivent selon un processus de Poisson
d’intensité λ (appel/s)
Les appels correspondent à un téléchargement de fichiers dont la
taille suit une loi exponentielle de moyenne F bits

52

52

26
 02/04/2024

Chaîne de Markov correspondante (sans blocage)

- Un nombre variable de
flots n Capacité C
- Les flots arrivent selon
une loi Poisson(λ)
- Taille exponentielle d’un
flot
Ordonnancement
round robin

λ λ λ λ

… n …
0 1
μ=C/F μ μ μ

Une chaine de Markov à nombre d’états infini de probabilités d’état

stationnaires pn :
– Quand n flots sont actifs, chacun est alloué un débit de C/n
– Un flot reste actif pendant un temps exponentiel de moyenne F/(C/n)=n/μ
– μ=C/F est appelé taux de service.
– Le départ d’un appel correspond à l’expiration de l’une de n horloges
exponentielles indépendantes de paramètres μ/n, qui est une variable
exponentielle de paramètre μ
– Le taux global de service est alors toujours μ=C/F
53

53

Résolution des équations de balance

- Un nombre variable de
flots n Capacité C
- Les flots arrivent selon
une loi Poisson(λ)
- Taille exponentielle d’un
flot
Ordonnancement
round robin

λ λ λ λ

… n …
0 1
μ=C/F μ μ μ

Résoudre les équations de balance: pn(λ+μ)=pn+1μ+ pn-1λ

Itérativement : p0λ=p1μ ⇒ p1=p0λ/μ=p0ρ
ρ=λ/μ est la charge du système
p1(λ+μ)=p2μ+ p0λ ⇒ p2μ=p0λ/μ(λ+μ)-p0λ=p0λ2/μ ⇒ p2=p0ρ2
Les probabilités d’états stationnaires sont alors exprimées par: pn=p0ρn
La somme des probabilités étant égale à 1, on obtient p0=1/(1+ρ+ρ2+…)=1-ρ

54
Les probabilités d’états stationnaires sont donc : pn=ρn(1-ρ)

54

27
 02/04/2024

Interprétation des probabilités d’états stationnaires

- Un nombre variable de
flots n Capacité C
- Les flots arrivent selon
une loi Poisson(λ)
- Taille exponentielle d’un
flot
Ordonnancement
round robin

λ λ λ λ

… n …
0 1
μ=C/F μ μ μ

Les probabilités d’états stationnaires sont : p n=ρ n(1-ρ)

La charge est ρ=λ/μ= λF/C
– Volume total de trafic offert= λF (appel/s*bits/appel, donc bits/s)
– D’où l’interprétation de la charge ρ=volume total de trafic offert / capacité totale
On peut se représenter la file comme un tuyau de débit C, qui reçoit un flot entrant de débit
λF. Il est alors rempli à ρ=λF/C
Cependant, le système ne fonctionne pas exactement de la sorte, car le débit de données
n’est pas continu: il est rempli quand il y a au moins un appel, et vide quand il n’y a
personne
55
– La charge est aussi ρ=1-p 0, ou la probabilité qu’il y ait au moins un appel actif

55

Stabilité du système

- Un nombre variable de
flots n Capacité C
- Les flots arrivent selon
une loi Poisson(λ)
- Taille exponentielle d’un
flot
Ordonnancement
round robin

λ λ λ λ

… n …
0 1
μ=C/F μ μ μ

La première mesure de performances est la limite de stabilité du système :

comme le système est sans blocage, il peut devenir instable, i.e. les appels
s’accumulent et leurs durées s’allongent jusqu’à l’infini
La limite de stabilité correspond à ρ=1
– Volume total de trafic offert = capacité
– λmax=C/F

56

56

28
 02/04/2024

Débit moyen
λ λ λ λ

… n …
0 1
μ=C/F μ μ μ

Du point de vue de l’usager, sa qualité de service est liée au débit qu’il

observe
Pour calculer le débit, il faut considérer un système qui n’est pas vide
(dilemme de l’observateur), où la probabilité est pondérée par le nombre de
clients :
– 𝜋n=nρn(1-ρ)/G
– G est la constante de normalisation obtenue par Σ𝜋n=1.
– D’où la loi de probabilités sachant que le système n’est pas vide :
𝜋n=nρn-1(1-ρ)2
Dans l’état n, n usagers différents voient chacun un débit de C/n
– Le débit moyen est d=Σ 𝜋nC/n=C(1-ρ)=C-λF
Interprétation : comme le système est rempli partiellement à un taux ρ, un
usager qui arrive prend la capacité restante, càd la capacité C moins la
partie occupée par le trafic existant λF
57

57

Application à une cellule 4G - Approximation à une classe

Résultat du bilan de liaison : débit versus distance

Trafic : service de données
taille moyenne de fichier F (bit)
intensité 𝜆 appels/s uniformément distribués
Hypothèse: Tout le monde a le même débit
débit moyen 𝑑
Si un usager est alloué toutes les ressources en spectre de la cellule, il peut
avoir un débit de 𝑑:
mais il partage les ressources avec les autres usagers
Si n usagers sont actifs, chacun aura un débit égal à 𝑑/n
C’est une file M/M/1-PS, d’une capacité 𝑑. et dont la charge est égale à
ρ= λ/μ= λF/ 𝑑.
Le débit moyen est 𝑑 (1- ρ)

58

58

29
 02/04/2024

Est-ce que cette approximation à 1 classe est satisfaisante?

Exemple du trafic de données où les usagers transmettent des

fichiers de taille 10 Mbit en moyenne
Exemple: 2 anneaux de surfaces égales
– 25 Mbps de débit au centre de la cellule :
– un transfert au centre dure 0.4 seconde s’il occupe toutes les
ressources
– 2.5 Mbps en bordure de cellule :
– un transfert en bordure dure 4 secondes s’il occupe toutes les
ressources
– Le temps nécessaire pour transmettre ces 2 fichiers est 0.4+4=4.4
secondes
– Le volume transféré pendant ces 4.4 secondes est de 20 Mbit (2
fichiers).
– Le débit moyen de la cellule est alors:
D=20 Mbit/4.4 secondes=4.54 Mbps
La moyenne du débit de la cellule est:
𝑑 =(25 Mbps+2.5 Mbps)/2=13.75 Mbps >>D
59

59

Deux zones de condition radio: chaîne de Markov

Mais le débit de la cellule
Exemple: 2 zones (centre et bordure) de poids qc et qb, l’état du
système est décrit par les nombres d’appels (nc ,nb )
– débit dc au centre de la cellule : un transfert au centre dure en
moyenne Tc =F(nc +nb )/dc , comme il partage les ressources avec les
autres
– débit db en bordure de cellule : un transfert en bordure dure en
moyenne Tb =F (nc +nb )db
Si les demandes suivent un processus de Poisson et la taille des
fichiers suit une loi exponentielle, (nc ,nb ) est une chaine de Markov
avec les transitions régies par :
nc,nb -1
– Arrivées dans chaque classe
qc λ
– min de nb horloges exponentielles
– min de nc horloges exponentielles nc+1,nb
nc -1,nb nc ,nb
qb λ

nc,nb+1
60

60

30
 02/04/2024

Trafic de données : probabilités stationnaires

Dans le cas général de J zones
Les probabilités d’états stationnaires sont :

La charge dans la zone j est 𝜌j =qj 𝜆F/dj

– volume dans la zone divisé par son débit

La charge globale est 𝜌 =Σ 𝜌j

Le débit dans la zone j est dj (1- ρ)
nc,nb -1
qc λ

nc+1,nb
nc -1,nb nc ,nb
qb λ

nc,nb+1

61

61

Trafic élastique: moyenne harmonique vs. Moyenne

arithmétique des débits
La moyenne des débits de la cellule est:
Carith=(25 Mbps+2.5 Mbps)/2=13.75 Mbps

C’est très loin du débit calculé précédemment.

Cependant, ceci correspond à la moyenne harmonique:
Charm={[(25 Mbps)-1+(2.5 Mbps)-1]/2}-1=4.54 Mbps

Cette moyenne harmonique donne un poids plus élevé aux valeurs

faibles, donc un poids plus élevé aux usagers en bordure de cellule
Retour à la définition de la charge 𝜌 =Σ 𝜌j =Σ qj 𝜆F/dj=𝜆F/Charm
La moyenne harmonique représente la capacité de la cellule, ou le
trafic maximal que la cellule peut servir

62

62

31
 02/04/2024

Processor Sharing utilisant la moyenne harmonique

- Un nombre variable de
flots n Capacité Charm
- Les flots arrivent selon
une loi Poisson(λ)
- Taille exponentielle d’un
flot
Ordonnancement
round robin

La charge est ρ= λF/Charm=volume total de trafic offert / capacité

calculée comme la moyenne harmonique des débits
Probabilités d’états stationnaires : pn=ρn(1-ρ)
Débit moyen d’un usager est calculé par Charm(1- ρ)
Ce calcul est exact et non pas une approximation comme pour le
trafic temps réel (Bonald et Proutière, 2003)
– grâce à la propriété d’insensibilité de la file PS : la loi de service
n’est pas importante, seul compte le taux de service moyen Charm/F

63

63

Illustration de la capacité de données en 4G

Le débit moyen est égal à la moyenne harmonique des débits pour

une charge nulle et à 0 pour une charge de 1 (système plein).
Un trafic offert > Charm mène à une instabilité du système
64

64

32
 02/04/2024

Capacité de trafic des réseaux mobiles

Comprendre l’interface radio de la 4G

Calcul du débit dans une cellule typique
Performances des services temps réel
Performances des services de données
Impact de fonctionnalités avancées d’allocation de ressources
Introduction à la 5G et capacité des services critiques

65

65

Fonctionnalités avancées de l’allocation de ressources:

Mixer des services temps réel et de données
Les systèmes radio servent simultanément les services temps réel et
élastiques, mais tout en donnant une priorité absolue au temps réel
Les flots de données consomment les ressources qui sont inoccupées
Performances du service temps réel : La priorité absolue des appels
temps réel fait qu’ils ne voient pas les appels de données
performances calculées comme auparavant (multi-Erlang)
Performances du service de données : On utilise l’hypothèse de
quasi-stationnarité: les appels temps réel (voix, visio) sont beaucoup
plus longs que les appels de données:
Différence d’échelle de temps : le trafic data atteint presque l’état
stationnaire entre deux variations du nombre d’appels temps réel
les performances de données sont calculées pour un nombre
d’appels temps réel fixe, puis moyennées sur les probabilités
d’états stationnaires du temps réel
66

66

33
 02/04/2024

Fonctionnalités avancées de l’allocation de ressources:

Mixer des services temps réel et de données
Les systèmes radio servent simultanément les services temps réel et
élastiques, mais tout en donnant une priorité absolue au temps réel

real time QoS data QoS

Remaining
throughput
throughput multi-Erlang distribution PS
(link budget)

real time data traffic

traffic

67

67

Fonctionnalités avancées de l’allocation de ressources:

Scheduling opportuniste / Proportional Fair
L’analyse de performances du service de données suppose un
ordonnancement de type « round robin »
Des schedulers opportunistes existent, qui profitent de la diversité des
conditions radio

user
Fast fading Transmission t ime t hroughput
~ User 1
Achievable Fixed ressource
Throughput allocat ion Circuit oriented and
layered design
User 2
Time

global
Fast fading t hroughput
~ User 1
Achievable good
Mult i-user
Throughput diversit y gain Int elligent Packet oriented and
scheduling
bad
wit h feedback cross layer design
User 2
Time

68

68

34
 02/04/2024

Fonctionnalités avancées de l’allocation de ressources:

Scheduling opportuniste / Proportional Fair
Afin de profiter des moments où les signaux sont de bonne qualité, le
scheduler sélectionne l’usager k qui maximise le rapport entre débit
instantané (Rk(t)) et débit moyen (Tk(t)) :

Le numérateur dirige le scheduler vers l’usager avec le meilleur canal,

le dénominateur assure l’équité
Le facteur 𝛕 sert à suivre les variations du canal moyen (path loss,
shadowing) en cas de mobilité, 𝜏 = ∞ pour des usagers statiques
Exemple: l’’usagers statiques, avec un débit moyen Ck, et un débit
instantané Rk(t)=Ck xk, avec xk des variables aléatoires iid modélisant
l’impact du fast fading, le scheduler sélectionne alors :
𝑘 ∗ = 𝑎𝑟𝑔𝑚𝑎𝑥5 𝑥5
Equité : On peut vérifier que ceci assure : Pr(xk=max(x1,…,xn)=1/n
Efficacité: Le gain de débit par rapport à un choix aléatoire (round
robin), pour xk des v.a. exponentielles:

69

Fonctionnalités avancées de l’allocation de ressources:

Scheduling opportuniste / Proportional Fair
Comment prendre en compte ce gain de scheduling dans le calcul
des performances?
Si on prend un système avec une capacité (moyenne harmonique des
débits sur l’interface radio) égale à C, cette capacité augmente avec le
nombre d’usagers grâce au gain de scheduling
La capacité pour n usagers actifs est alors C(n)=G(n)*C
Ceci correspond à une file PS, mais dont la capacité dépend de l’état.
On modélise un tel système par du Generalized Processor Sharing:
)6 * 9#
Pr 𝑛 = Pr(0) ∏*!.' 𝜌(𝑛) *
= Pr(0) ∏*!.' = Pr(0) ∏#
7 * 8 $%! 7(*)

Note: on peut montrer que le scheduler défini par 𝑘 ∗ = 𝑎𝑟𝑔𝑚𝑎𝑥5 𝑥5

correspond à la maximisation de la somme des log des débits (𝛼-fair,
avec 𝛼=1, ou proportional fair, cf. cours cloud computing).

70

35
 02/04/2024

Fonctionnalités avancées de l’allocation de ressources:

Aggrégation de porteuses dans le LTE-Advanced
Du spectre dédié a été alloué à la 4G, et du spectre, initialement alloué
à la 2G ou la 3G, est réfarmé pour la 4G

Un usager peut accéder à une ou plusieurs bandes.

Le gestionnaire de ressources (au niveau du MME) décide la politique:
allouer l’usager à une seule bande, aléatoirement
l’allouer à la bande qui sert le moins de monde
l’allouer à la bande qui lui offre le meilleur débit
71 l’allouer en multi-homing aux deux bandes

71

Capacité de trafic des réseaux mobiles

Comprendre l’interface radio de la 4G

Calcul du débit dans une cellule typique
Performances des services temps réel
Performances des services de données
Impact de fonctionnalités avancées d’allocation de ressources
Introduction à la 5G et capacité des services critiques

72

72

36
 02/04/2024

Services de la 5G

Enhanced Mobile Broadband

(eMBB)
§ Extension directe du service data de la 4G
§ Capacité plus élevée (plusieurs Gbps)
• schema de MIMO avec plus d’antennes,
• modulation plus élevée,
• Plus de spectre, dans des bandes plus
élevées (3.5 GHz et bandes millimétriques)

Services pour les verticaux

(acteurs non particuliers en
dehors du monde des
télécoms)
§ Massive Machine Type Communications
(MTC)
Des millions de capteurs par Km2 IoT
Nouveaux business models
§ Ultra Reliale Low Latency Communicatons
(URLLC)
fiabilité de 99.999%
latence de 1 à 10 ms

73

Comment ces services sont multiplexés sur le réseau

§ Sur le réseau entier, le

concept de « slicing » a été
défini, avec un réseau virtuel
par service défini de bout en
bout (des stations de base au
réseau cœur).

§ Sur l’interface radio, les

ressources sont séparément
réservées pour les services,
avec une « numérologie »
différente par service:
• 1 ms pour eMBB
• 0.144-0.25 ms pour URLLC

74

37
 02/04/2024

Scénario: URLLC pour les applications industrielles

§ Industrie 4.0: Machines § Véhicules autonomes et connectés:
communiquant avec un contrôleur communiquent entre eux et avec
l’infrastructure

§ chaque machine/véhicule génère sporadiquement des paquets de

taille fixe, mais petite.
§ Objectif: s’assurer que la proportion de paquets, correctement
reçus dans le délai maximal (e.g. 1 ms), est plus grand qu’une cible
de fiabilité (e.g. perte < 10-5)

75

Modélisation du système
frequency

eMBB resources

K
…

time
….
…. Service:
Arrivées Batch
T=1 slot

Delai long: outage

§ Arrivées modélisées comme Poisson (𝜆 paquets par slot), service déterministe (1

slot), K paquets multiplexés par slot dans le domaine fréquentiel
§ Si l’on suit la notation de Kendall, le meilleur modèle est M/D/K

§ Arrivées Poisson (noté M par Kendal), service déterministe (noté D); K serveurs
§ Solution existe mais numérique

§ On approxime le système par M/M/K, pour trouver une solution analytique:

§ Service Poisson (noté M), de moyenne T=1 slot par paquet

76

38
 02/04/2024

Chaine de Markov associée

𝜆 𝜆 𝜆

2 … K K+1 …
0 1
K/T K/T K/T
1/T 2/T

Service immédiat Attente

§ Les paquets qui arrivent et trouvent moins de K paquets dans le système sont
servis directement, les autres attendent

§ 𝑝$𝜆 = %!⁄& ⟹ 𝑝' = 𝑝" 𝜆𝑇

()*)#
§ Pour tout n<K, 𝑝& = 𝑝'
&!

)* ()*)$ )* &-/
§ Pour tout 𝑛 ≥ 𝐾, 𝑝& = 𝑝&-. = 𝑝'
/ /! /

§ La probabilité que le système soit vide est obtenue en observant que ∑& 𝑝& = 1 :
/-. -.
𝜆𝑇 & 𝜆𝑇 / 1
𝑝' = , +
𝑛! 𝐾! 1 − 𝜆𝑇1
&0' 𝐾
§ Le système est stable si 𝜆𝑇 < 𝐾

77

Probabilité d’attente
𝜆 𝜆 𝜆

2 … K K+1 …
0 1
K/T K/T K/T
1/T 2/T

Service immédiat Attente

§ La probabilité d’attente peut être calculée en fonction des ressources disponibles:

%
𝜆𝑇 C
B 𝐾!
𝜆𝑇 A B 𝜆𝑇 *+8 𝜆𝑇 %
C 𝜆𝑇
𝐾! 1 − C𝐾
𝑝@(𝐾) = B 𝑝* = 𝑝$ B = 𝑝$ 𝜆𝑇
=
𝐾! 𝐾 1 − C𝐾 𝜆𝑇 % C
*.A *.A 𝜆𝑇 & 𝐾!
∑%() +
1 − 𝜆𝑇C𝐾
&'"
𝑛!

§ La probabilité d’attente peut être utilisée comme mesure de QoS pour les services
URLLC très contraints en latence

§ Un travail de dimensionnement peut être fait en trouvant la valeur minimale de K

qui permet d’avoir une probabilité d’attente faible:
𝑝1 𝐾 = 𝜖 > 0

78

39
 02/04/2024

Distribution du temps d’attente

§ La distribution du temps d’attente W peut aussi être calculée:
Pr 𝑊 > 𝑡 = Pr 𝑊 > 𝑡|𝑛 < 𝐾 Pr 𝑛 < 𝐾 + Pr 𝑊 > 𝑡|𝑛 ≥ 𝐾 Pr 𝑛 ≥ 𝐾

0 pw
§ Si tous les serveurs sont pleins, on attend jusqu’à ce qu’un serveur soit vide pour
servir le paquet en tête de file, les K serveurs se comportent comme un seul
serveur exponentiel de temps de service moyen T/K (K fois plus rapide)
§ Soit m le nombre d’usagers dans la file en train d’attendre, on peut le modéliser par
une chaine de Markov comme suit:
𝜆
𝜆 𝜆

2 … m m+1 …
0 1
K/T K/T K/T
K/T K/T

§ On peut facilement voir que Pr 𝑚 = (1 − )*⁄/) )*⁄ 2

/

§ Et le temps d’attente est la somme de m+1 variables aléatoires Exp(K/T), ce qui

peut être démontré comme une variable aléatoire 𝐸𝑥𝑝(/⁄* − 𝜆), donc:
AC +) L
Pr 𝑊 > 𝑡 = 𝑝@ 𝑒 + &

79

Références

T. Bonald and M. Feuillet, Network Performance Analysis, Wiley,

2011.
J. Virtamo, Teletraffic theory,
[Link]
D. Bertsekas, R. Gallager, P. Humblet, Data networks, Prentice-
hall, 1992.
L. Rong, S. Elayoubi, O. Ben Haddada, Performance evaluation of
cellular networks offering TV services, IEEE Transactions on
Vehicular Networks, 2011.
K. Khawam, Ordonnancement opportuniste dans les réseaux
mobiles de nouvelle génération, Thèse de Telecom Paris, 2006.
F. Benezit, S. Elayoubi, R-M. Indre, A. Simonian Modelling Load
Balancing and Carrier Aggregation in Mobile Networks, IEEE Wiopt
2014.

80

80

40