Un processus ponctuel où le taux instantané d'arrivée de Poisson λ(t) est gouverné par une chaîne de Markov à états finis (temps continu ou discret) ; le résultat est un processus de Poisson dont le taux bascule suivant les transitions markoviennes d'état, produisant des arrivées corrélées (par rafales) et une surdispersion par rapport au Poisson homogène.

Principe

La modulation markovienne introduit de la corrélation temporelle et de la variabilité dans les statistiques de comptage : conditionnellement à l'état markovien, les arrivées sont Poissoniennes, mais les comptages marginaux présentent surdispersion et autocorrélation déterminées par la dynamique des transitions d'état ; le comportement des files et des tampons dépend de ces statistiques d'ordre supérieur, pas seulement du débit moyen.

Démonstration

Scénario illustratif → Le processus d'arrivée de paquets vers un serveur est modélisé par un MMPP à deux états : taux bas λ_L et taux haut λ_H et transitions markoviennes entre eux. Reconnaissance → le concepteur modélise les rafales observées par des taux de Poisson dépendant d'état. Action → le dimensionnement des tampons et le contrôle d'admission utilisent les paramètres MMPP (taux d'état et taux de transition) pour estimer les probabilités d'événements de queue élevées. Conséquence → dimensionner uniquement sur le taux moyen sous‑estime les délais en file et les pertes quand le trafic est en rafales ; la conception basée sur MMPP tient compte des rafales corrélées.

Mauvaise application

Traiter un flux d'arrivées empiriquement rafaleux como un proceso de Poisson homogéneo (taux constante) ignore l'autocorrelación y subestima la probabilidad de colas largas y pérdidas; a la inversa, ajustar un MMPP sin validar el cambio markoviano puede atribuir indebidamente dependencia de cola pesada o de largo alcance a conmutación de estados finitos.

Conséquence

Lorsqu'il est applicable, le MMPP capture la rafale avec un modèle paramétrique parcimonieux et donne des prédictions de file d'attente plus précises qu'un Poisson homogène ; mal appliqué, il peut conduire à un provisionnement excessivement confiant ou masquer d'autres formes de corrélation (p. ex. autosimilarité) nécessitant d'autres modèles ou régimes d'échelle.

Inversion

Si les corrélations d'arrivée proviennent de lois d'interarrivée à queues lourdes ou d'une dépendance à longue portée plutôt que d'une commutation à états finis, le MMPP peut mal rendre le comportement des queues extrêmes et des modèles alternatifs (processus de renouvellement à queues lourdes ou modèles fractals) seront nécessaires.

Limite

Clairement inclus : trafic dont les commutations de régime sont bien approximées par une Markov à états finis (par ex. sources ON/OFF avec durées exponentielles). Cas limite : rafales multi‑échelle approximées par un MMPP à petit nombre d'états. Hors du champ : arrivées avec interarrivées à queues lourdes ou dépendance à longue portée réelles non représentables par une modulation markovienne à états finis.

Tension sémantique

Parcimonie et tractabilité markovienne (MMPP à états finis) ↔ Besoin de représenter queues lourdes ou dépendance à longue portée pour des statistiques de queue précises en trafic complexe.

Synthèse

Le MMPP est une extension minimale du processus de Poisson qui introduit une variation de taux corrélée via une commutation markovienne ; il est utile pour capturer la rafale à court et moyen terme et pour l'analyse de files, mais ses hypothèses doivent être vérifiées lorsque des comportements à queues lourdes ou à longue portée sont suspectés.