Michael Schönlein

• In the verification of positive Harris recurrence of multiclass queueing networks the stability analysis for the class of fluid networks is of vital interest. This thesis addresses stability of fluid networks from a Lyapunov point of view. In particular, the focus is on converse Lyapunov theorems. To gain an unified approach the considerations are based on generic properties that fluid networks under widely used disciplines have in common. It is shown that the class of closed generic fluid network models (closed GFNs) is too wide to provide aIn the verification of positive Harris recurrence of multiclass queueing networks the stability analysis for the class of fluid networks is of vital interest. This thesis addresses stability of fluid networks from a Lyapunov point of view. In particular, the focus is on converse Lyapunov theorems. To gain an unified approach the considerations are based on generic properties that fluid networks under widely used disciplines have in common. It is shown that the class of closed generic fluid network models (closed GFNs) is too wide to provide a reasonable Lyapunov theory. To overcome this fact the class of strict generic fluid network models (strict GFNs) is introduced. In this class it is required that closed GFNs satisfy additionally a concatenation and a lower semicontinuity condition. We show that for strict GFNs a converse Lyapunov theorem is true which provides a continuous Lyapunov function. Moreover, it is shown that for strict GFNs satisfying a trajectory estimate a smooth converse Lyapunov theorem holds. To see that widely used queueing disciplines fulfill the additional conditions, fluid networks are considered from a differential inclusions perspective. Within this approach it turns out that fluid networks under general work-conserving, priority and proportional processor-sharing disciplines define strict GFNs. Furthermore, we provide an alternative proof for the fact that the Markov process underlying a multiclass queueing network is positive Harris recurrent if the associate fluid network defining a strict GFN is stable. The proof explicitely uses the Lyapunov function admitted by the stable strict GFN. Also, the differential inclusions approach shows that first-in-first-out disciplines play a special role.…
• Für den Nachweis der positiven Harris-Rekurrenz bei Multiklassenwarteschlangennetzwerken ist die Stabilitätsanalyse der Klasse von Fluidnetzwerken von wesentlicher Bedeutung. Gegenstand dieser Arbeit ist die Stabilität von Fluidnetzwerken aus der Sicht von Lyapunov. Ein besonderes Augenmerk wird dabei auf konverse Lyapunov Theoreme gelegt. Hierzu wird ein axiomatischer Zugang gewählt, der auf generischen Eigenschaften gängiger Fluidnetzwerke basiert. Die Arbeit zeigt, dass die Klasse der abgeschlossenen generischen Fluidnetzwerk (abgeschlosseneFür den Nachweis der positiven Harris-Rekurrenz bei Multiklassenwarteschlangennetzwerken ist die Stabilitätsanalyse der Klasse von Fluidnetzwerken von wesentlicher Bedeutung. Gegenstand dieser Arbeit ist die Stabilität von Fluidnetzwerken aus der Sicht von Lyapunov. Ein besonderes Augenmerk wird dabei auf konverse Lyapunov Theoreme gelegt. Hierzu wird ein axiomatischer Zugang gewählt, der auf generischen Eigenschaften gängiger Fluidnetzwerke basiert. Die Arbeit zeigt, dass die Klasse der abgeschlossenen generischen Fluidnetzwerk (abgeschlossene GFN) Modelle zu weit gefasst ist, um eine umfassende Lyapunovtheorie zu ermöglichen. Um dies zu beheben, wird die Klasse der strikten GFN Modelle eingeführt. In dieser Klasse wird verlangt, dass abgeschlossene GFN Modelle zusätzlich eine Verkettungs- sowie eine Unterhalbstetigkeitsbedingung erfüllen. Aus der Arbeit geht hervor, dass für strikte GFN Modelle Stabilität äquivalent zu der Existenz einer stetigen Lyapunov-Funktion ist. Darüberhinaus wird eine Regularitätseigenschaft an die Trajektorien des stikten GFN Modells gegeben, welche die Konstruktion glatter Lyapunov-Funktionen ermöglicht. Für den Nachweis, dass Fluidnetzwerke unter gängigen Disziplinen die zusätzlichen Eigenschaften erfüllen, werden diese als Differentialinklusionen aufgefasst. Dabei zeigt sich, dass allgemein arbeitserhaltende Fluidnetzwerke und Fluidnetzwerke mit Prioritäten strikte GFN Modelle liefern. Zudem zeigt die Arbeit einen alternativen Beweis dafür, dass der einem Multiklassenwarteschlangennetzwerk zugrunde liegende Markovprozess positiv Harris-rekurrent ist, falls das zugehörige Fluidnetzwerk ein striktes GFN Modell definiert und stabil ist. Dabei wird explizit die Lyapunov-Funktion des Fluidnetzwerkes ausgenutzt. Außerdem zeigt die Betrachtung von Fluidnetzwerken mittels Differentialinklusionen, dass first-in-first-out Fluidnetzwerken eine Sonderrolle zukommt.…