Graphes, réseaux et internet
|
|
- Achille Gaumond
- il y a 8 ans
- Total affichages :
Transcription
1 Graphes, réseaux et internet Clémence Magnien LIP6 CNRS et Université Pierre et Marie Curie (UPMC Paris 6) avec Matthieu Latapy, Frédéric Ouédraogo, Guillaume Valadon, Assia Hamzaoui,... 1/49 Clémence Magnien Graphes, réseaux et internet 1/49
2 Outline 1 Graphes de terrain Notions de graphes Graphes de terrain Problématiques Dynamique 2 3 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation 2/49 Clémence Magnien Graphes, réseaux et internet 2/49
3 Notions de graphes Graphes de terrain Problématiques Dynamique Graphes de terrain informatique : internet, web, pair-à-pair, usages, etc sciences sociales : collaboration, amitié, contacts sexuels, échanges, économie, etc biologie : cerveau, gènes, protéines, écosystèmes, etc linguistique : synonymie, co-occurrence, etc transport : routier, aérien, électrique, etc etc, etc réseaux de relations contextes très différents 3/49 Clémence Magnien Graphes, réseaux et internet 3/49
4 Notions de graphes Graphes de terrain Problématiques Dynamique Graphes graphe = n nœuds, m liens capture la structure, la topologie pas de meilleur dessin 4/49 Clémence Magnien Graphes, réseaux et internet 4/49
5 Notions de graphes Graphes de terrain Problématiques Dynamique Graphes graphe = n nœuds, m liens capture la structure, la topologie Graphe dessin : un graphe, plusieurs dessins G = a, b, c, d ; a b, a c, a d, b c, b d, c d pas de meilleur dessin 4/49 Clémence Magnien Graphes, réseaux et internet 4/49
6 Notions de graphes Graphes de terrain Problématiques Dynamique Propriétés de graphes densité du graphe, δ = probabilité d existence de tout lien = à quel point tout le monde est lié δ = 2m n(n 1) 5/49 Clémence Magnien Graphes, réseaux et internet 5/49
7 Notions de graphes Graphes de terrain Problématiques Dynamique Propriétés de graphes densité du graphe, δ = probabilité d existence de tout lien = à quel point tout le monde est lié δ = 2m n(n 1) n = 4, m = 4, δ = 8 12 = /49 Clémence Magnien Graphes, réseaux et internet 5/49
8 Notions de graphes Graphes de terrain Problématiques Dynamique Propriétés de graphes degré d un nœud v, d o (v) = nombre de liens de v degré moyen d o = 2m n 6/49 Clémence Magnien Graphes, réseaux et internet 6/49
9 Notions de graphes Graphes de terrain Problématiques Dynamique Propriétés de graphes degré d un nœud v, d o (v) = nombre de liens de v degré moyen d o = 2m n degrés : 2, 2, 3, 1 ; degré moyen 2 6/49 Clémence Magnien Graphes, réseaux et internet 6/49
10 Notions de graphes Graphes de terrain Problématiques Dynamique Propriétés de graphes degré d un nœud v, d o (v) = nombre de liens de v degré moyen d o = 2m n degrés : 2, 2, 3, 1 ; degré moyen 2 distribution : 1 1, 2 2, 3 1 6/49 Clémence Magnien Graphes, réseaux et internet 6/49
11 Notions de graphes Graphes de terrain Problématiques Dynamique Un mot sur les distributions deux grandes catégories log décroissance exponentielle vs décroissance polynômiale Poisson, Gaussienne,... vs Zipf, loi de puissance,... homogène vs hétérogène tailles vs salaires moyennne vs exposant log des conséquences importantes 7/49 Clémence Magnien Graphes, réseaux et internet 7/49
12 Notions de graphes Graphes de terrain Problématiques Dynamique Un mot sur les distributions deux grandes catégories log décroissance exponentielle vs décroissance polynômiale Poisson, Gaussienne,... vs Zipf, loi de puissance,... homogène vs hétérogène tailles vs salaires moyennne vs exposant log des conséquences importantes 7/49 Clémence Magnien Graphes, réseaux et internet 7/49
13 Notions de graphes Graphes de terrain Problématiques Dynamique Propriétés de graphes chemin de u à v = suite de liens u...v un chemin de longueur 3 8/49 Clémence Magnien Graphes, réseaux et internet 8/49
14 Notions de graphes Graphes de terrain Problématiques Dynamique Propriétés de graphes chemin de u à v = suite de liens u...v distance d(u, v) = longueur d un plus court chemin un plus court chemin ; longueur 2 distance = 2 8/49 Clémence Magnien Graphes, réseaux et internet 8/49
15 Notions de graphes Graphes de terrain Problématiques Dynamique Propriétés de graphes chemin de u à v = suite de liens u...v distance d(u, v) = longueur d un plus court chemin diamètre = plus grande distance diamètre = 2 8/49 Clémence Magnien Graphes, réseaux et internet 8/49
16 Notions de graphes Graphes de terrain Problématiques Dynamique Propriétés de graphes coefficient de clustering cc(v) = probabilité que deux voisins de v soient reliés = densité locale 9/49 Clémence Magnien Graphes, réseaux et internet 9/49
17 Notions de graphes Graphes de terrain Problématiques Dynamique Propriétés de graphes coefficient de clustering cc(v) = probabilité que deux voisins de v soient reliés = densité locale coefficients de clustering : 1, 1, 1 3, indéfini 9/49 Clémence Magnien Graphes, réseaux et internet 9/49
18 Notions de graphes Graphes de terrain Problématiques Dynamique Graphes de terrain la plupart des graphes de terrain ont des propriétés non-triviales en commun [WS98] propriétés en commun : distance moyenne et diamètre faibles (petit-monde) degrés hétérogènes (loi de puissance, scale-free) densité globale faible vs densité locale forte (clustering) non-trivial? 10/49 Clémence Magnien Graphes, réseaux et internet 10/49
19 Notions de graphes Graphes de terrain Problématiques Dynamique Graphes de terrain la plupart des graphes de terrain ont des propriétés non-triviales en commun [WS98] propriétés en commun : distance moyenne et diamètre faibles (petit-monde) degrés hétérogènes (loi de puissance, scale-free) densité globale faible vs densité locale forte (clustering) non-trivial? 10/49 Clémence Magnien Graphes, réseaux et internet 10/49
20 Notions de graphes Graphes de terrain Problématiques Dynamique Graphes de terrain la plupart des graphes de terrain ont des propriétés non-triviales en commun [WS98] propriétés en commun : distance moyenne et diamètre faibles (petit-monde) degrés hétérogènes (loi de puissance, scale-free) densité globale faible vs densité locale forte (clustering) non-trivial? 10/49 Clémence Magnien Graphes, réseaux et internet 10/49
21 Notions de graphes Graphes de terrain Problématiques Dynamique Comparaison à l aléatoire graphe aléatoire (Erdös, Rényi) = choisi uniformément dans l ensemble graphe type, représentatif des propriétés significatives, d autres moins 11/49 Clémence Magnien Graphes, réseaux et internet 11/49
22 Notions de graphes Graphes de terrain Problématiques Dynamique Comparaison à l aléatoire graphe aléatoire (Erdös, Rényi) = choisi uniformément dans l ensemble graphe type, représentatif de terrain aléatoire densité faible faible distances faibles faibles degrés hétérogènes homogènes clustering fort faible des propriétés significatives, d autres moins 11/49 Clémence Magnien Graphes, réseaux et internet 11/49
23 Notions de graphes Graphes de terrain Problématiques Dynamique Comparaison à l aléatoire graphe aléatoire (Erdös, Rényi) = choisi uniformément dans l ensemble graphe type, représentatif de terrain aléatoire degrés prescrits densité faible faible faible distances faibles faibles faibles degrés hétérogènes homogènes hétérogènes clustering fort faible faible des propriétés significatives, d autres moins 11/49 Clémence Magnien Graphes, réseaux et internet 11/49
24 Notions de graphes Graphes de terrain Problématiques Dynamique Conséquence : robustesse pannes = suppression de nœuds au hasard. attaque = suppression de nœuds choisis (stratégie) ,2 0,4 0 0,2 0,4 0 0,1 0,2 aléatoire loi de puissance Internet 12/49 Clémence Magnien Graphes, réseaux et internet 12/49
25 Notions de graphes Graphes de terrain Problématiques Dynamique Conséquence : robustesse pannes = suppression de nœuds au hasard. attaque = suppression de nœuds choisis (stratégie) ,2 0,4 0 0,2 0,4 0 0,1 aléatoire loi de puissance Internet 0,2 12/49 Clémence Magnien Graphes, réseaux et internet 12/49
26 Notions de graphes Graphes de terrain Problématiques Dynamique Conséquence : robustesse pannes = suppression de nœuds au hasard. attaque = suppression de nœuds choisis (stratégie). ALEATOIRE panne attaque attaque SCALE FREE panne 12/49 Clémence Magnien Graphes, réseaux et internet 12/49
27 Notions de graphes Graphes de terrain Problématiques Dynamique Conséquence : robustesse pannes = suppression de nœuds au hasard. attaque = suppression de nœuds choisis (stratégie). Très résistant aux pannes. Sensible aux attaques. Importance de la topologie sous-jacente. 12/49 lémence Magnien Graphes, réseaux et internet 12/49
28 Notions de graphes Graphes de terrain Problématiques Dynamique Conséquence : communautés zones denses faiblement interconnectées structure hiérarchique recouvrements calcul? 13/49 Clémence Magnien Graphes, réseaux et internet 13/49
29 Notions de graphes Graphes de terrain Problématiques Dynamique Conséquence : communautés zones denses faiblement interconnectées structure hiérarchique recouvrements calcul? 13/49 Clémence Magnien Graphes, réseaux et internet 13/49
30 Notions de graphes Graphes de terrain Problématiques Dynamique Graphes de terrain la plupart des graphes de terrain ont des propriétés non-triviales en commun [WS98] propriétés en commun : distance moyenne et diamètre faibles (petit-monde) degrés hétérogènes (loi de puissance, scale-free) densité globale faible vs densité locale forte (clustering) et des problématiques communes mesure et métrologie analyse modélisation algorithmique 14/49 Clémence Magnien Graphes, réseaux et internet 14/49
31 Notions de graphes Graphes de terrain Problématiques Dynamique Graphes de terrain la plupart des graphes de terrain ont des propriétés non-triviales en commun [WS98] propriétés en commun : distance moyenne et diamètre faibles (petit-monde) degrés hétérogènes (loi de puissance, scale-free) densité globale faible vs densité locale forte (clustering) et des problématiques communes mesure et métrologie analyse modélisation algorithmique 14/49 Clémence Magnien Graphes, réseaux et internet 14/49
32 Notions de graphes Graphes de terrain Problématiques Dynamique Mesure graphe réel opération de mesure vue obtenue que peut on dire sur l objet réel à partir de la mesure? impact sur les propriétés observées? impact des propriétés sur la vue? mesures ciblant certaines propriétés?... 15/49 lémence Magnien Graphes, réseaux et internet 15/49
33 Notions de graphes Graphes de terrain Problématiques Dynamique Mesure et Métrologie? inférence graphe réel opération de mesure vue obtenue que peut on dire sur l objet réel à partir de la mesure? impact sur les propriétés observées? impact des propriétés sur la vue? mesures ciblant certaines propriétés?... 15/49 lémence Magnien Graphes, réseaux et internet 15/49
34 Notions de graphes Graphes de terrain Problématiques Dynamique Analyse décrire extraire de l information pertinente statistiques structure densité degrés densité locale corrélations... encore beaucoup de manques 16/49 Clémence Magnien Graphes, réseaux et internet 16/49
35 Notions de graphes Graphes de terrain Problématiques Dynamique Analyse décrire extraire de l information pertinente statistiques structure densité degrés densité locale corrélations... encore beaucoup de manques 16/49 Clémence Magnien Graphes, réseaux et internet 16/49
36 Notions de graphes Graphes de terrain Problématiques Dynamique Modélisation génération de graphes réalistes (i.e. ayant les propriétés observées) motivations : approches formelles, simulation, explication état de l art : taille, densité, distances : facile degrés : consensus, modèles bien maîtrisés densité locale : pas de consensus 17/49 Clémence Magnien Graphes, réseaux et internet 17/49
37 Notions de graphes Graphes de terrain Problématiques Dynamique Modélisation génération de graphes réalistes (i.e. ayant les propriétés observées) motivations : approches formelles, simulation, explication état de l art : taille, densité, distances : facile degrés : consensus, modèles bien maîtrisés densité locale : pas de consensus 17/49 Clémence Magnien Graphes, réseaux et internet 17/49
38 Notions de graphes Graphes de terrain Problématiques Dynamique Algorithmique problèmes spécifiques problèmes classiques à revisiter restrictions en espace tirer parti des propriétés observées résultats approchés souvent suffisants algorithmique empirique / expérimentale renouveau algorithmique 18/49 Clémence Magnien Graphes, réseaux et internet 18/49
39 Notions de graphes Graphes de terrain Problématiques Dynamique Algorithmique problèmes spécifiques problèmes classiques à revisiter restrictions en espace tirer parti des propriétés observées résultats approchés souvent suffisants algorithmique empirique / expérimentale renouveau algorithmique 18/49 Clémence Magnien Graphes, réseaux et internet 18/49
40 Notions de graphes Graphes de terrain Problématiques Dynamique Et la dynamique? (Tous) les graphes de terrain sont dynamiques Ajout et suppression au fil du temps de nœuds de liens 19/49 Clémence Magnien Graphes, réseaux et internet 19/49
41 Notions de graphes Graphes de terrain Problématiques Dynamique Graphes de terrain informatique : internet, web, pair-à-pair, usages, etc sciences sociales : collaboration, amitié, contacts sexuels, échanges, économie, etc biologie : cerveau, gènes, protéines, écosystèmes, etc linguistique : synonymie, co-occurrence, etc transport : routier, aérien, électrique, etc etc, etc 20/49 Clémence Magnien Graphes, réseaux et internet 20/49
42 Notions de graphes Graphes de terrain Problématiques Dynamique Prise en compte de la dynamique Problématiques pour les graphes de terrain Mesure Analyse Modélisation Algorithmique 21/49 Clémence Magnien Graphes, réseaux et internet 21/49
43 Notions de graphes Graphes de terrain Problématiques Dynamique Prise en compte de la dynamique Problématiques pour les graphes de terrain Mesure Analyse Modélisation Algorithmique Dynamique nouvelles questions 21/49 Clémence Magnien Graphes, réseaux et internet 21/49
44 Notions de graphes Graphes de terrain Problématiques Dynamique But du cours Illustrer les questions liées à l étude de la dynamique Pas encore de réponses! S appuyer sur deux cas concrets : topologie de l internet trafic sur l internet 22/49 Clémence Magnien Graphes, réseaux et internet 22/49
45 Topologie physique de l Internet Routeurs Câbles 23/49 Clémence Magnien Graphes, réseaux et internet 23/49
46 Topologie physique de l Internet Mesure : Agrégation de chemins 23/49 Clémence Magnien Graphes, réseaux et internet 23/49
47 Topologie physique de l Internet Mesure : Agrégation de chemins 23/49 Clémence Magnien Graphes, réseaux et internet 23/49
48 Topologie physique de l Internet Mesure : Agrégation de chemins 23/49 Clémence Magnien Graphes, réseaux et internet 23/49
49 Topologie physique de l Internet Mesure : Agrégation de chemins 23/49 Clémence Magnien Graphes, réseaux et internet 23/49
50 Topologie physique de l Internet Mesure : Agrégation de chemins 23/49 Clémence Magnien Graphes, réseaux et internet 23/49
51 Topologie physique de l Internet Mesure : Agrégation de chemins 23/49 Clémence Magnien Graphes, réseaux et internet 23/49
52 Topologie physique de l Internet Plus d informations Multiplier Les destinations ( 1 million) Les sources ( quelques dizaines) Processus coûteux et long Dynamique? 23/49 Clémence Magnien Graphes, réseaux et internet 23/49
53 Notre approche Vue égo-centrée Chemins entre un moniteur et des destinations Mesures périodiques 100 passes / jour plusieurs mois de mesure 24/49 Clémence Magnien Graphes, réseaux et internet 24/49
54 Trafic sur l internet Qui communique avec qui? quelles machines Capture sur un routeur 25/49 Clémence Magnien Graphes, réseaux et internet 25/49
55 Trafic sur l internet Qui communique avec qui? quelles machines Capture sur un routeur 25/49 Clémence Magnien Graphes, réseaux et internet 25/49
56 Trafic sur l internet Qui communique avec qui? quelles machines Capture sur un routeur 25/49 Clémence Magnien Graphes, réseaux et internet 25/49
57 Trafic sur l internet Qui communique avec qui? quelles machines Capture sur un routeur 25/49 Clémence Magnien Graphes, réseaux et internet 25/49
58 Trafic sur l internet Nos mesures Routeur à la sortie d un campus Une semaine de mesure 25/49 Clémence Magnien Graphes, réseaux et internet 25/49
59 Différence entre les deux cas Internet : suite de graphes Trafic : suite d événements t1 noeud1 noeud2 t2 noeud1 noeud2 t3 noeud1 noeud2 t4 noeud1 noeud2... tn noeud1 noeud2 26/49 Clémence Magnien Graphes, réseaux et internet 26/49
60 Événements : comment construire un graphe? 1 A B 2 B C 2 D E 3 A E 4 A B.... n X F Agréger une fenêtre temporelle 27/49 Clémence Magnien Graphes, réseaux et internet 27/49
61 Événements : comment construire un graphe? 1 A B 2 B C 2 D E 3 A E 4 A B.... n X F A C B E D Agréger une fenêtre temporelle 27/49 Clémence Magnien Graphes, réseaux et internet 27/49
62 Événements : comment construire un graphe? 1 A B 2 B C 2 D E 3 A E 4 A B.... n X F Agréger une fenêtre temporelle 27/49 Clémence Magnien Graphes, réseaux et internet 27/49
63 Événements : comment construire un graphe? 1 A B 2 B C 2 D E 3 A E 4 A B.... n X F A C B E D Agréger une fenêtre temporelle Taille de la fenêtre? 27/49 Clémence Magnien Graphes, réseaux et internet 27/49
64 Choix de la granularité? Taille de la fenêtre : trop grande : perte d informations trop petite : graphes trops petits 28/49 Clémence Magnien Graphes, réseaux et internet 28/49
65 Choix de la granularité? Choisir la plus petite période qui donne une régularité? Marche (?) dans certains cas : /49 Clémence Magnien Graphes, réseaux et internet 28/49
66 Choix de la granularité? Choisir la plus petite période qui donne une régularité? Pas dans d autres (trafic internet) Nb nodes Nb nodes /10 17/10 18/10 19/10 20/10 Date 21/10 22/10 23/10 24/ /10 17/10 18/10 19/10 20/10 Date 21/10 22/10 23/10 24/ Nb nodes Nb nodes /10 17/10 18/10 19/10 20/10 Date 21/10 22/10 23/10 24/ /10 17/10 18/10 19/10 20/10 Date 21/10 22/10 23/10 24/10 28/49 Clémence Magnien Graphes, réseaux et internet 28/49
67 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Analyse de la dynamique But : Comprendre, décrire Détection d événements 29/49 Clémence Magnien Graphes, réseaux et internet 29/49
68 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Paramètres pour les graphes statiques Première approche : Évolution de propriétés statiques au fil du temps nombre de nœuds nombre de liens degré moyen densité clustering... 30/49 Clémence Magnien Graphes, réseaux et internet 30/49
69 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Paramètres pour les graphes statiques Trafic internet, nombre de nœuds Nb nodes /10 17/10 18/10 19/10 20/10 Date 21/10 22/10 23/10 24/10 30/49 Clémence Magnien Graphes, réseaux et internet 30/49
70 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Paramètres pour les graphes statiques 3.5 Trafic internet, degré moyen 3 Avg deg /10 17/10 18/10 19/10 20/10 Date 21/10 22/10 23/10 24/10 30/49 Clémence Magnien Graphes, réseaux et internet 30/49
71 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Paramètres pour les graphes statiques Topologie internet, nombre de nœuds Nb IP /05 02/06 09/06 16/06 23/06 30/06 07/07 14/07 21/07 28/07 04/08 Date 30/49 Clémence Magnien Graphes, réseaux et internet 30/49
72 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Paramètres pour les graphes statiques Observations Des comportements différents selon les graphes Détection de certaines tendances (effet jour/nuit) Événements (?) Traitement du signal? 30/49 Clémence Magnien Graphes, réseaux et internet 30/49
73 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Autres propriétés? Distribution des degrés? Communautés? Distribution des degrés n signaux? K-S test? Communautés? 31/49 Clémence Magnien Graphes, réseaux et internet 31/49
74 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Graphes statiques : mauvaise approche? Évolution de paramètres statiques : peu d informations sur l évolution du graphe. Ex : nombre de nœuds et liens constant? 32/49 Clémence Magnien Graphes, réseaux et internet 32/49
75 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Présence des nœuds Topologie de l internet Distribution du nombre de présences Tous les nœuds vus pendant la mesure ( ) Pour chaque nœud : nombre d étapes où on l a vu Distribution 33/49 Clémence Magnien Graphes, réseaux et internet 33/49
76 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Présence des nœuds Topologie de l internet mois 6000 étapes Nb IP Nb times seen 33/49 Clémence Magnien Graphes, réseaux et internet 33/49
77 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Présence des nœuds Topologie de l internet mois 3000 étapes 2000 Nb IP Nb times seen 33/49 Clémence Magnien Graphes, réseaux et internet 33/49
78 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Présence des nœuds Topologie de l internet 2 mois 6000 étapes Échelle log-log Nb IP Nb times seen hétérogène pas de valeur typique 33/49 Clémence Magnien Graphes, réseaux et internet 33/49
79 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Présence des nœuds Topologie de l internet 1 mois 3000 étapes Échelle log-log Nb IP Nb times seen hétérogène pas de valeur typique 33/49 Clémence Magnien Graphes, réseaux et internet 33/49
80 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Présence des nœuds Trafic internet Nb nodes Nb steps Similarité avec le cas précédent 34/49 Clémence Magnien Graphes, réseaux et internet 34/49
81 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Dynamique : stabilisation? Nb distinct IP Nombre de nœuds distincts observés depuis le début Topologie de l internet /05 02/06 09/06 16/06 23/06 30/06 07/07 14/07 21/07 28/07 04/08 Date nouveaux nœuds observés en permanence 35/49 Clémence Magnien Graphes, réseaux et internet 35/49
82 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Disparitions Nb distinct IP Nombre de nœuds distincts qu on ne verra plus jamais Topologie de l internet /05 02/06 09/06 16/06 23/06 30/06 07/07 14/07 21/07 28/07 04/08 Date Renouvellement continu des nœuds observés 36/49 Clémence Magnien Graphes, réseaux et internet 36/49
83 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Influence des nœuds vus une seule fois? Nb distinct IP >= /05 02/06 09/06 16/06 23/06 30/06 07/07 14/07 21/07 28/07 04/08 Date 37/49 Clémence Magnien Graphes, réseaux et internet 37/49
84 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Influence des nœuds vus une seule fois? Nb distinct IP >= 2 >= /05 02/06 09/06 16/06 23/06 30/06 07/07 14/07 21/07 28/07 04/08 Date 37/49 Clémence Magnien Graphes, réseaux et internet 37/49
85 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Influence des nœuds vus une seule fois? Nb distinct IP >= 2 >= 10 >= /05 02/06 09/06 16/06 23/06 30/06 07/07 14/07 21/07 28/07 04/08 Date 37/49 Clémence Magnien Graphes, réseaux et internet 37/49
86 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Influence des nœuds vus une seule fois? Nb distinct IP >= 2 >= 10 >= 50 >= /05 02/06 09/06 16/06 23/06 30/06 07/07 14/07 21/07 28/07 04/08 Date 37/49 Clémence Magnien Graphes, réseaux et internet 37/49
87 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Influence des nœuds vus une seule fois? Nb distinct IP >= 2 >= 10 >= 50 >= 200 >= /05 02/06 09/06 16/06 23/06 30/06 07/07 14/07 21/07 28/07 04/08 Date 37/49 Clémence Magnien Graphes, réseaux et internet 37/49
88 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Présences vs apparitions Nb apparitions Nb passes presence 38/49 Clémence Magnien Graphes, réseaux et internet 38/49
89 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Présences vs apparitions Nb apparitions Nb passes presence Triangle : Nb apparitions max(nb présences, nb absences) 38/49 Clémence Magnien Graphes, réseaux et internet 38/49
90 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Présences vs apparitions Nb apparitions Nb passes presence Parabole : Nombre d apparitions attendues en moyenne pour ce nombre de présences x(1 x) 38/49 Clémence Magnien Graphes, réseaux et internet 38/49
91 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Présences vs apparitions Nb apparitions Nb passes presence Trois classes de nœuds clignotent aléatoires majorité de stables 38/49 Clémence Magnien Graphes, réseaux et internet 38/49
92 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Évolution de l ensemble des nœuds Conclusion Intuition (renouvellement, présence,... ) Notion de comportements des nœuds Questions restantes Durée de vie,... Autres graphes comportements généraux? Comparaison à des modèles aléatoires simples? 39/49 Clémence Magnien Graphes, réseaux et internet 39/49
93 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Attachement préférentiel Idée : les nouveaux liens s attachent à des nœuds existants étudier les degrés de ces nœuds Motivation : modèle d Albert et Barábasi un nouveau nœud par étape relié à un nœud existant choisi proportionnellement à son degré Idée : les nœuds de fort degré gagnent de plus en plus de liens. 40/49 Clémence Magnien Graphes, réseaux et internet 40/49
94 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Attachement préférentiel Comparer : Les degrés dans le graphe Les degrés des extrémités des nouveaux liens e e e /49 Clémence Magnien Graphes, réseaux et internet 40/49
95 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Conclusion sur l attachement préférentiel Comportements différents de l aléatoire Avec un biais vers les forts degrés Formaliser? 41/49 Clémence Magnien Graphes, réseaux et internet 41/49
96 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Clustering dans la dynamique Idée : les nouveaux liens relient des sommets regarder si ce sont des sommets proches d 42/49 Clémence Magnien Graphes, réseaux et internet 42/49
97 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Clustering dans la dynamique Interprétation? d d moy /49 Clémence Magnien Graphes, réseaux et internet 42/49
98 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Conclusion sur le clustering dans la dynamique les nouveaux liens relient des nœuds déjà proches densité locale, clustering mais de temps en temps des nœuds éloignés événement? moyen de les identifier formellement? 43/49 Clémence Magnien Graphes, réseaux et internet 43/49
99 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Conclusion sur le clustering dans la dynamique les nouveaux liens relient des nœuds déjà proches densité locale, clustering mais de temps en temps des nœuds éloignés événement? moyen de les identifier formellement? 43/49 Clémence Magnien Graphes, réseaux et internet 43/49
100 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Détection d événements Topologie de l internet Nombre de nœud par étape / par union de 5 étapes Nb IP /05 02/06 09/06 16/06 23/06 30/06 07/07 14/07 21/07 28/07 04/08 Date 44/49 Clémence Magnien Graphes, réseaux et internet 44/49
101 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Détection d événements Topologie de l internet Nombre de nœud par étape / par union de 5 étapes Nb IP /05 02/06 09/06 16/06 23/06 30/06 07/07 14/07 21/07 28/07 04/08 Date pics identification d événements 44/49 Clémence Magnien Graphes, réseaux et internet 44/49
102 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Identificiation formelle des pics? Pic valeur significativement plus grande que les autres. Moyen de les identifier formellement? 45/49 Clémence Magnien Graphes, réseaux et internet 45/49
103 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Identificiation formelle des pics? 35 Distribution des valeurs observées Nombre de nœud par étape 30 Nb passses avec x IP Nb IP 45/49 Clémence Magnien Graphes, réseaux et internet 45/49
104 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Identificiation formelle des pics? 6000 Distribution cumulative des valeurs observées Nombre de nœud par étape Nb passses avec <= x IP Nb IP 45/49 Clémence Magnien Graphes, réseaux et internet 45/49
105 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Identificiation formelle des pics? Distribution cumulative des valeurs observées Nombre de nœuds dans 5 étapes consécutives 6000 Nb passses avec <= x IP Nb IP Valeurs hautes atypiques 45/49 Clémence Magnien Graphes, réseaux et internet 45/49
106 Graphes de terrain Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Visualisation d un événement 46/49 Clémence Magnien Graphes, réseaux et internet 46/49
107 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Événements Résumé Technique pour détécter des événements. Très dépendante Du graphe étudié De la façon de mesurer Pas adapté pour le trafic IP 47/49 Clémence Magnien Graphes, réseaux et internet 47/49
108 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Événements Résumé Nb nodes /10 17/10 18/10 19/10 20/10 Date 21/10 22/10 23/10 24/10 47/49 Clémence Magnien Graphes, réseaux et internet 47/49
109 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Visualisation Exemple de graphe statique Joli mais... On ne comprend rien Animer? 48/49 Clémence Magnien Graphes, réseaux et internet 48/49
110 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Visualisation Fichiers externes 48/49 Clémence Magnien Graphes, réseaux et internet 48/49
111 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Conclusion Quelques pistes, nombreuses questions Échelle de temps Évolution de l ensemble des nœuds Comportements des nœuds Détection d événements Communautés Modélisation Questions spécifiques aux applications... 49/49 Clémence Magnien Graphes, réseaux et internet 49/49
112 Analyse de graphes statiques Nouvelles propriétés Détection d événements Visualisation Conclusion Équilibrer L étude de questions spécifiques L étude de graphes spécifiques Collaborations pluridisciplinaires 49/49 Clémence Magnien Graphes, réseaux et internet 49/49
COURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION. Jean-Loup Guillaume
COURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION Jean-Loup Guillaume Le cours Enseignant : Jean-Loup Guillaume équipe Complex Network Page du cours : http://jlguillaume.free.fr/www/teaching-syrres.php Évaluation
Plus en détailAnalyse empirique et modélisation de la dynamique de la topologie de l Internet
Analyse empirique et modélisation de la dynamique de la topologie de l Internet Sergey Kirgizov Directrice de thèse: Clémence Magnien Complex Networks, LIP6, (UPMC, CNRS) Paris, 12 décembre 2014 Plan 1
Plus en détailTowards realistic modeling of IP-level topology dynamics
Towards realistic modeling of IP-level topology dynamics Clémence Magnien, Amélie Medem, Fabien Tarissan LIP6, CNRS et UPMC Sorbonne Universités Algotel 2012 Mai 2012 La Grande Motte, Hérault, France Etude
Plus en détailIntégrer mesure, métrologie et analyse pour l étude des graphes de terrain dynamiques
habilitation à diriger des recherches de l université Pierre et Marie Curie Spécialité Informatique Présentée par Clémence Magnien Intégrer mesure, métrologie et analyse pour l étude des graphes de terrain
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailContributions à l expérimentation sur les systèmes distribués de grande taille
Contributions à l expérimentation sur les systèmes distribués de grande taille Lucas Nussbaum Soutenance de thèse 4 décembre 2008 Lucas Nussbaum Expérimentation sur les systèmes distribués 1 / 49 Contexte
Plus en détailUn radar pour Internet
École Polytechnique Promotion 2002 Bobillot Damien Rapport de stage d option scientifique Un radar pour Internet Analyse et visualisation de la dynamique du graphe du réseau Internet Option : Informatique
Plus en détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
Plus en détailSillage Météo. Notion de sillage
Sillage Météo Les représentations météorologiques sous forme d animation satellites image par image sont intéressantes. Il est dommage que les données ainsi visualisées ne soient pas utilisées pour une
Plus en détailEfficacité énergétique des réseaux de cœur et d accès
Efficacité énergétique des réseaux de cœur et d accès David Coudert Joanna Mouliérac, Frédéric Giroire MASCOTTE I3S (CNRS/Université Nice Sophia-Antipolis) INRIA Sophia-Antipolis Méditerranée 1 Contexte
Plus en détailEbauche Rapport finale
Ebauche Rapport finale Sommaire : 1 - Introduction au C.D.N. 2 - Définition de la problématique 3 - Etat de l'art : Présentatio de 3 Topologies streaming p2p 1) INTRODUCTION au C.D.N. La croissance rapide
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailSommaire. Couverture de zone de surveillance dans les réseaux de capteurs. De quoi parle-t-on ici (1/2)? Objectif. De quoi parle-t-on ici (2/2)?
ouverture de zone de surveillance dans les réseaux de capteurs Jean arle, Master Recherche Informatique Option Informatique Mobile 008-009 s Jean arle - Master Recherche Informatique 008-009 Objectif e
Plus en détailHistorique. Architecture. Contribution. Conclusion. Définitions et buts La veille stratégique Le multidimensionnel Les classifications
L intelligence économique outil stratégique pour l entreprise Professeur Bernard DOUSSET dousset@irit.fr http://atlas.irit.fr Institut de Recherche en Informatique de Toulouse (IRIT) Equipe Systèmes d
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Plus en détailRétablissement d un réseau cellulaire après un désastre
Rétablissement d un réseau cellulaire après un désastre Anaïs Vergne avec Laurent Decreusefond, Ian Flint, et Philippe Martins Journées MAS 2014 29 août 2014 Rétablissement d un réseau cellulaire après
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailModélisation et simulation des performances de nœuds de routage optique dans les réseaux dorsaux hybrides
Modélisation et simulation des performances de nœuds de routage optique dans les réseaux dorsaux hybrides )UpGpULF/(&2&+(%UXQR)5$&$662$PD.$/, (167%UHWDJQH 'psduwhphqwg RSWLTXH Sommaire Contexte Nœuds de
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailIntroduction au maillage pour le calcul scientifique
Introduction au maillage pour le calcul scientifique CEA DAM Île-de-France, Bruyères-le-Châtel franck.ledoux@cea.fr Présentation adaptée du tutorial de Steve Owen, Sandia National Laboratories, Albuquerque,
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailMERLIN GESTION PATRIMONIALE. Groupe GESTION PATRIMONIALE. Définition d un programme de renouvellement
Groupe MERLIN Une tradition d innovations au service des hommes GESTION PATRIMONIALE GESTION PATRIMONIALE Définition d un programme de renouvellement Indépendance - Expériences - Expertises - Proximité
Plus en détailCycle de vie du logiciel. Unified Modeling Language UML. UML: définition. Développement Logiciel. Salima Hassas. Unified Modeling Language
Unified Modeling Language UML Salima Hassas Version Cycle de vie du logiciel Client Besoins Déploiement Analyse Test Conception Cours sur la base des transparents de : Gioavanna Di Marzo Serugendo et Frédéric
Plus en détailCommunications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes
Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction
Plus en détailDimensionnement Introduction
Dimensionnement Introduction Anthony Busson Dimensionnement Pourquoi dimensionner? Création d un système informatique ou réseau Problème de décision (taille des différents paramètres) Evaluer les performances
Plus en détailConception et contrôle des SMA tolérants aux fautes
Conception et contrôle des SMA tolérants aux fautes Une plate-forme multiagents tolérante aux fautes à base de réplication Nora FACI Contexte SMA large échelle Nombre important d agents Ressources éloignées
Plus en détailNotice d Utilisation du logiciel Finite Element Method Magnetics version 3.4 auteur: David Meeker
Notice d Utilisation du logiciel Finite Element Method Magnetics version 3.4 auteur: David Meeker DeCarvalho Adelino adelino.decarvalho@iutc.u-cergy.fr septembre 2005 Table des matières 1 Introduction
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailChapitre 2 : Systèmes radio mobiles et concepts cellulaires
Chapitre 2 : Systèmes radio mobiles et concepts cellulaires Systèmes cellulaires Réseaux cellulaires analogiques de 1ère génération : AMPS (USA), NMT(Scandinavie), TACS (RU)... Réseaux numériques de 2ème
Plus en détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en détailAgrégation de liens xdsl sur un réseau radio
Agrégation de liens xdsl sur un réseau radio Soutenance TX Suiveur: Stéphane Crozat Commanditaire: tetaneutral.net/laurent Guerby 1 02/02/212 Introduction 2 Introduction: schéma 3 Définition d un tunnel
Plus en détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
Plus en détailHypervision et pilotage temps réel des réseaux IP/MPLS
Hypervision et pilotage temps réel des réseaux IP/MPLS J.M. Garcia, O. Brun, A. Rachdi, A. Al Sheikh Workshop autonomique 16 octobre 2014 Exemple d un réseau opérateur national 8 technologies : 2G / 3G
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailParallélisme et Répartition
Parallélisme et Répartition Master Info Françoise Baude Université de Nice Sophia-Antipolis UFR Sciences Département Informatique baude@unice.fr web du cours : deptinfo.unice.fr/~baude Septembre 2009 Chapitre
Plus en détailPartie 1. La structure des réseaux sociaux
Partie 1. La structure des réseaux sociaux Analyse et Modélisation des Réseaux, Université Bordeaux IV Sections : Introduction 1 Introduction 2 3 L expérience de Milgram Les réseaux aléatoires 4 Le clustering
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailFACULTE DES SCIENCES ET TECHNIQUES FES SAIS MASTER SYSTEMES INTELLIGENTS ET RESEAUX MST SIR 2014 TP WIFI. Encadré par PR.
FACULTE DES SCIENCES ET TECHNIQUES FES SAIS MASTER SYSTEMES INTELLIGENTS ET RESEAUX MST SIR 2014 TP WIFI Encadré par PR.AHLAM BEGEDOURI Abdelhamid El hassani Mohamed Ouddaf Nacer Harti Yahya kharban Hatim
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailLes Difficultés Inhérentes aux Réseaux Sans Fil. Des Solutions aux Scénarios de Problèmes
Les Difficultés Inhérentes aux Réseaux Sans Fil Des Solutions aux Scénarios de Problèmes Problème 1: La liaison à un toit voisin n est pas bonne. Exemple Solution 1: Ajoutez un autre nœud voisin pour atteindre
Plus en détailRecherche et Diffusion de l Information dans les Réseaux. Philippe Robert. Le 8 avril 2014
Recherche et Diffusion de l Information dans les Réseaux Philippe Robert Le 8 avril 2014 Présentation Présentation Directeur de recherche à l INRIA Responsable de l équipe de recherche Réseaux, Algorithmes
Plus en détailModélisation et simulation du trafic. Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005
Modélisation et simulation du trafic Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005 Plan de la présentation! Introduction : modèles et simulations définition
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailANALYSE CATIA V5. 14/02/2011 Daniel Geffroy IUT GMP Le Mans
ANALYSE CATIA V5 1 GSA Generative Structural Analysis 2 Modèle géométrique volumique Post traitement Pré traitement Maillage Conditions aux limites 3 Ouverture du module Choix du type d analyse 4 Calcul
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailFONCTION DE DEMANDE : REVENU ET PRIX
FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailChapitre 3 : Le budget des ventes. Marie Gies - Contrôle de gestion et gestion prévisionnelle - Chapitre 3
Chapitre 3 : Le budget des ventes Introduction 2 Rappel des différents budgets opérationnels - budget des ventes (chapitre 3) - budget de production (chapitre 4) - budget des approvisionnements et des
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en détailClasse de première L
Classe de première L Orientations générales Pour bon nombre d élèves qui s orientent en série L, la classe de première sera une fin d étude en mathématiques au lycée. On a donc voulu ici assurer à tous
Plus en détailSujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante.
Sujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante. Objectifs et formulation du sujet Le syndrome de l apnée du sommeil (SAS) est un problème de santé publique
Plus en détailAtelier sur l Analyse des Réseaux Madagascar
Atelier sur l Analyse des Réseaux Madagascar Patrick Imam Fonds Monétaire International 21 Juillet 2015 Les vues exprimées dans cette présentation sont celles du Représentant Résident du FMI et ne reflètent
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailDétection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux
Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux hétérogènes Laurent Déjean Thales Airborne Systems/ENST-Bretagne Le 20 novembre 2006 Laurent Déjean Détection en
Plus en détailNetCrunch 6. Superviser
AdRem NetCrunch 6 Serveur de supervision réseau Avec NetCrunch, vous serez toujours informé de ce qui se passe avec vos applications, serveurs et équipements réseaux critiques. Documenter Découvrez la
Plus en détailSonde de surveillance environnementale gamma
SafePoint RMS : pérennité innovation sureté Caractéristiques Sonde de surveillance environnementale gamma perfectionnée, dotée de deux détecteurs et conçue pour assurer une surveillance sans présence dans
Plus en détailOrdonnancement sous contraintes de Qualité de Service dans les Clouds
Ordonnancement sous contraintes de Qualité de Service dans les Clouds GUÉROUT Tom DA COSTA Georges (SEPIA) MONTEIL Thierry (SARA) 05/12/2014 1 Contexte CLOUD COMPUTING Contexte : Environnement de Cloud
Plus en détailLa continuité de service
La continuité de service I INTRODUCTION Si la performance est un élément important de satisfaction de l'utilisateur de réseau, la permanence de la disponibilité des ressources l'est encore davantage. Ici
Plus en détail3A-IIC - Parallélisme & Grid GRID : Définitions. GRID : Définitions. Stéphane Vialle. Stephane.Vialle@supelec.fr http://www.metz.supelec.
3A-IIC - Parallélisme & Grid Stéphane Vialle Stephane.Vialle@supelec.fr http://www.metz.supelec.fr/~vialle Principes et Objectifs Evolution Leçons du passé Composition d une Grille Exemple d utilisation
Plus en détailTélégestion et logiciels, des auxiliaires pour une gestion patrimoniale performante
Programme Rencontre Technique ASCOMADE Télégestion et logiciels, des auxiliaires pour une gestion patrimoniale performante Présentation du logiciel de modélisation EPANET 1 Présentation du Logiciel Rôle
Plus en détailPlan du Travail. 2014/2015 Cours TIC - 1ère année MI 30
Plan du Travail Chapitre 1: Internet et le Web : Définitions et historique Chapitre 2: Principes d Internet Chapitre 3 : Principaux services d Internet Chapitre 4 : Introduction au langage HTML 2014/2015
Plus en détailWeb Science. Master 1 IFI. Andrea G. B. Tettamanzi. Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.
Web Science Master 1 IFI Andrea G. B. Tettamanzi Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.fr 1 Annonce : recherche apprenti Projet Géo-Incertitude Objectifs
Plus en détailMétrologie réseaux GABI LYDIA GORGO GAEL
Métrologie réseaux GABI LYDIA GORGO GAEL Métrologie Définition : La métrologie est la science de la mesure au sens le plus large. La mesure est l'opération qui consiste à donner une valeur à une observation.
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détailAlgorithme des fourmis appliqué à la détection et au suivi de contours dans une image
IN52-IN54 A2008 Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image Etudiants : Nicolas MONNERET Alexandre HAFFNER Sébastien DE MELO Responsable : Franck GECHTER Sommaire
Plus en détailCours des réseaux Informatiques (2010-2011)
Cours des réseaux Informatiques (2010-2011) Rziza Mohammed rziza@fsr.ac.ma Supports Andrew Tanenbaum : Réseaux, cours et exercices. Pascal Nicolas : cours des réseaux Informatiques, université d Angers.
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailOrdonnancement robuste et décision dans l'incertain
Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4
Plus en détailSIMULATION HYBRIDE EN TEMPOREL D UNE CHAMBRE REVERBERANTE
SIMULATION HYBRIDE EN TEMPOREL D UNE CHAMBRE REVERBERANTE Sébastien LALLECHERE - Pierre BONNET - Fatou DIOUF - Françoise PALADIAN LASMEA / UMR6602, 24 avenue des landais, 63177 Aubière pierre.bonnet@lasmea.univ-bpclermont.fr
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailArchitecture de réseau de senseurs : monitoring environnemental et écosystèmes forestiers
Architecture de réseau de senseurs : monitoring environnemental et écosystèmes forestiers Présenté par : Ahmed Lakhssassi, Membres du GRMS : Marek Zaremba, Wojtek Bock et Larbi Talbi Département Informatique
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailFaceBook aime les Maths!
FaceBook aime les Maths! Michel Rigo http://www.discmath.ulg.ac.be/ http://orbi.ulg.ac.be/ Réseaux Visualizing my Twitter Network by number of followers. Michael Atkisson http://woknowing.wordpress.com/
Plus en détailAPPORT DES RESEAUX BAYESIENS DANS LA PREVENTION DE LA DELINQUANCE
SûretéGlobale.Org La Guitonnière 49770 La Meignanne Téléphone : +33 241 777 886 Télécopie : +33 241 200 987 Portable : +33 6 83 01 01 80 Adresse de messagerie : c.courtois@sureteglobale.org APPORT DES
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailRapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources
Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils
Plus en détailACCESSNET -T IP Technique système TETRA d Hytera. www.hytera.de
Technique système TETRA d Hytera est la solution complète et performante pour toutes les applications de la téléphonie mobile professionnelle. www.hytera.de Bref aperçu Pour une communication TETRA professionnelle
Plus en détailMétrologie et gestion d incidents!
1/20 Métrologie et gestion d incidents! Frédéric Bongat Assemblée des CSSI Janvier 2015 2/20 Sommaire : 1 2 3 3/20 La métrologie Mon objectif : savoir mieux ce qui se passe sur le réseau du point de vue
Plus en détailDossier justificatif des travaux de R&D déclarés au titre du CIR
Dossier justificatif des travaux de R&D déclarés au titre du CIR I PRÉSENTATION DE LA SOCIETE Présenter l activité de la société en quelques lignes ou au moyen d une plaquette publicitaire et replacer
Plus en détailETUDE ET IMPLÉMENTATION D UNE CACHE L2 POUR MOBICENTS JSLEE
Mémoires 2010-2011 www.euranova.eu MÉMOIRES ETUDE ET IMPLÉMENTATION D UNE CACHE L2 POUR MOBICENTS JSLEE Contexte : Aujourd hui la plupart des serveurs d application JEE utilise des niveaux de cache L1
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailMODELISATION UN ATELIER DE MODELISATION «RATIONAL ROSE»
MODELISATION UN ATELIER DE MODELISATION «RATIONAL ROSE» Du cours Modélisation Semi -Formelle de Système d Information Du Professeur Jean-Pierre GIRAUDIN Décembre. 2002 1 Table de matière Partie 1...2 1.1
Plus en détailINDUSTRIALISATION ET RATIONALISATION
INDUSTRIALISATION ET RATIONALISATION A. LA PROBLEMATIQUE La mission de toute production informatique est de délivrer le service attendu par les utilisateurs. Ce service se compose de résultats de traitements
Plus en détailExercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?
Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version
Plus en détailExercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?
Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version
Plus en détailExtraction d informations stratégiques par Analyse en Composantes Principales
Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailAméliorer les performances du site par l'utilisation de techniques de Web Mining
Améliorer les performances du site par l'utilisation de techniques de Web Mining CLUB SAS 2001 17/18 octobre 2001 Stéfan Galissie LINCOLN stefan.galissie@lincoln.fr contact@web-datamining.net 2001 Sommaire
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailPROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
Plus en détailReconstruction de bâtiments en 3D à partir de nuages de points LIDAR
Reconstruction de bâtiments en 3D à partir de nuages de points LIDAR Mickaël Bergem 25 juin 2014 Maillages et applications 1 Table des matières Introduction 3 1 La modélisation numérique de milieux urbains
Plus en détail