Analyse probabiliste de processus distribués axés sur les processus de consensus

Probabilistic analysis of distributed processes with focus on consensus

• Auteur / Autrice : Frederik Mallmann-Trenn
• Direction : Claire Mathieu, Petra Berenbrink
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 22/09/2017
• Etablissement(s) : Paris Sciences et Lettres (ComUE) en cotutelle avec Simon Fraser university (Burnaby, Canada)
• Ecole(s) doctorale(s) : École doctorale Sciences mathématiques de Paris centre (Paris ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : École normale supérieure (Paris ; 1985-....). Département d'informatique
• Partenaire(s) de recherche : établissement de préparation de la thèse : École normale supérieure (Paris ; 1985-....)
• Jury : Président / Présidente : Bartłomiej Błaszczyszyn
• Jury : Examinateurs / Examinatrices : Claire Mathieu, Petra Berenbrink, Bartłomiej Błaszczyszyn, Pierre Fraigniaud, Andrei A. Bulatov, Philippe Jacquet
• Jury : Rapporteurs / Rapporteuses : Pierre Fraigniaud, Colin Cooper

Mots clés

Mots clés contrôlés

Processus stochastiques

Informatique

Mots clés libres

Processus stochastiques

Processus distribués

Consensus

Élection de chef

Marches aléatoires

Réseaux sociaux

Stochastic processes

Distributed computing

Consensus

Leader election

Random walks

Social networks

Résumé

Cette thèse est consacrée à l'étude des processus stochastiques décentralisés. Parmi les exemples typiques de ces processus figurent la dynamique météorologique, la circulation automobile, la façon dont nous rencontrons nos amis, etc. Dans cette thèse, nous exploitons une large palette d'outils probabilistes permettant d'analyser des chaînes de Markov afin d'étudier un large éventail de ces processus distribués : modèle des feux de forêt (réseaux sociaux), balls-into-bins avec suppression, et des dynamiques et protocoles de consensus fondamentaux tels que Voter Model, 2-Choices, et 3-Majority.

This thesis is devoted to the study of stochastic decentralized processes. Typical examples in the real world include the dynamics of weather and temperature, of traffic, the way we meet our friends, etc. We take the rich tool set from probability theoryfor the analysis of Markov Chains and employ it to study a wide range of such distributed processes: Forest Fire Model (social networks), Balls-into-Bins with Deleting Bins, and fundamental consensus dynamics and protocols such as the Voter Model, 2-Choices, and 3-Majority.