## [Processus de Poisson Modulé par Chaîne de Markov (MMPP)](/fr/node/72850) Définition 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 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 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 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 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 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 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 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 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.