[논문 리뷰] Analysis of Petri Net Models through Stochastic Differential Equations

Marco Beccuti, Enrico Bibbona외 4명|arXiv (Cornell University)|2014. 04. 03.

Petri Nets in System Modeling참고 문헌 16인용 수 5

한 줄 요약

이 논문은 인구 수준의 분포적 행동, 특히 변동성이 유의미하거나 다중 모드 분포를 보이는 경우를 고려하기 위해 스토케스틱 페트리 넷(SPNs)에 대한 점프-확산 스토케스틱 미분 방정식(SDE) 근사를 제안한다. 경계 반사 현상을 점프 메커니즘으로 처리함으로써 쿠르츠의 확산 근사를 확장함으로써, 특히 유한한 상태공간과 중간 수준의 인구 규모를 가진 모델에서 ODE 기반 근사 및 이산 이벤트 시뮬레이션보다 더 정확하고 빠른 분석을 가능하게 한다.

ABSTRACT

It is well known, mainly because of the work of Kurtz, that density dependent Markov chains can be approximated by sets of ordinary differential equations (ODEs) when their indexing parameter grows very large. This approximation cannot capture the stochastic nature of the process and, consequently, it can provide an erroneous view of the behavior of the Markov chain if the indexing parameter is not sufficiently high. Important phenomena that cannot be revealed include non-negligible variance and bi-modal population distributions. A less-known approximation proposed by Kurtz applies stochastic differential equations (SDEs) and provides information about the stochastic nature of the process. In this paper we apply and extend this diffusion approximation to study stochastic Petri nets. We identify a class of nets whose underlying stochastic process is a density dependent Markov chain whose indexing parameter is a multiplicative constant which identifies the population level expressed by the initial marking and we provide means to automatically construct the associated set of SDEs. Since the diffusion approximation of Kurtz considers the process only up to the time when it first exits an open interval, we extend the approximation by a machinery that mimics the behavior of the Markov chain at the boundary and allows thus to apply the approach to a wider set of problems. The resulting process is of the jump-diffusion type. We illustrate by examples that the jump-diffusion approximation which extends to bounded domains can be much more informative than that based on ODEs as it can provide accurate quantity distributions even when they are multi-modal and even for relatively small population levels. Moreover, we show that the method is faster than simulating the original Markov chain.

연구 동기 및 목표

• 작은 인구 수나 다중 모드 분포를 보일 경우, 결정론적 ODE 근사가 SPN에서 가지는 한계를 해결하기 위해.
• 원래는 개방 영역에서의 첫 번째 외부 탈출까지 유효한 쿠르츠의 확산 근사를, 실제 SPN 모델에서 반복적인 경계 방문을 다룰 수 있도록 확장하기 위해.
• 분포적 세부 정보(예: 분산 및 다중 모드)를 유지하면서도 이산 이벤트 시뮬레이션보다 계산적으로 효율적인 대안을 개발하기 위해.
• 유한한 상태공간과 대규모 인구 역학을 가진 SPN의 정확하고 빠르며 메모리 효율적인 분석을 가능하게 하기 위해.

제안 방법

• 상태전이확률이 인구 수준의 색인 매개변수에 따라 밀도 의존적인 SPN의 클래스를 식별한다.
• 쿠르츠의 확산 근사를 적용하여 인구 수준의 확률적 변화를 모델링하는 SDE 시스템을 유도한다.
• 상태공간 경계에 도달한 후 내부로 복귀하는 것을 시뮬레이션하는 경계 모의 점프를 SDE 근사에 추가한다.
• 과정이 경계에 도달하거나 경계에 머무를 경우 정확도를 유지하기 위해 경계 전이에 대해 이산 이벤트 시뮬레이션을 사용한다.
• 전이율에서 유도된 이동항과 분산항을 포함하여 SPN 모델에서 관련 SDE 시스템을 자동으로 구축한다.
• SDE 통합과 경계에서의 수요에 따라 이산 이벤트 단계를 실행하는 하이브리드 시뮬레이션 접근법을 구현하여 점프-확산 행동을 모델링한다.

실험 결과

연구 질문

• RQ1 실제 시스템에서 흔한 반복적인 경계 방문을 다룰 수 있도록 SPN의 확산 근사를 확장할 수 있는가?
• RQ2 제안된 점프-확산 SDE 근사는 다중 모드 또는 비정규 분포인 경우에 ODE 기반 근사보다 더 정확한 분포적 정보를 제공하는가?
• RQ3 SDE 기반 방법의 계산 성능는 이산 이벤트 시뮬레이션과 비교해 속도 및 메모리 사용 측면에서 어떻게 되는가?
• RQ4 중간 수준의 인구 규모에서도 SDE 접근법이 복잡한 확률 분포(예: 다중 모드 분포)의 형태를 어느 정도 유지할 수 있는가?

주요 결과

• 점프-확산 SDE 근사는 SIR 모델과 클라이언트-서버 모델에서 관찰되는 복잡한 다중 모드 확률 분포를 정확히 재현하며, 작은 인구 규모에서도 시뮬레이션 결과와 밀도 있게 일치한다.
• SIR 모델에서 초기 감염자 수가 200명인 경우, SDE 방법은 T=100 시점에서 감염자 수의 기대값을 27초, 1MB 메모리로 계산했고, 이산 이벤트 시뮬레이션은 600초, 162MB를 소요했다.
• 클라이언트-서버 모델에서 SDE 접근법은 약 13배의 속도 향상을 달성하여 계산 시간을 약 13분에서 약 1분으로 줄였고, 분포의 모드를 유지했다.
• SIR 모델에서 인구 수가 200,000명인 경우, SDE 방법은 메모리 사용량을 약 162MB에서 약 1MB로 줄였고, 실행 시간을 약 600초에서 약 28초로 단축하여 뛰어난 확장성을 입증했다.
• 클라이언트-서버 모델에서 Cwaiting 장소의 분포에서 세 개의 구분 가능한 모드를 정확히 포착했으며, 이는 이산 이벤트 시뮬레이션에서 관찰된 다중 모드 형태와 일치했다.
• 분산과 분포 형태가 중요한 상황에서는 평균만으로는 의미 있는 정보를 전달하지 못하는 다중 모드 사례에서, ODE 기반 근사보다 SDE 접근법이 우수한 성능를 보였다.