سیستم های محاسبات داوطلبانه منابع توزیع شده بزرگی را از سراسر اینترنت به هم مجتمع کرده و محیط مناسبی را برای اجرای پروژه های علمی پیچیده فراهم می کنند. در بیشتر موارد این تکنولوژی با به کارگیری منابع محاسباتی آزاد از سازمان ها یا افراد کسب می شود که به خواست خود به سیستم متصل می شوند تا به تحقیقات علمی کمک کنند. ازآنجاکه کاربران به صورت داوطلبانه در انجام محاسبات شرکت می کنند امکان ارسال نتایج نادرست از طرف آن ها وجود دارد که به این کاربران، کاربران خرابکار گفته می شود. درواقع این داوطلبان به طور مستقل کدهای برنامه ها و پروژه ها را به هم ریخته و توانایی تولید داده های اشتباه با ظاهر درست رادارند. هنگامی که کاربران طرح ها و نقشه هایی را جهت ارتباط و برهمکنش با یکدیگر تعبیه کرده تا بتوانند با همکاری یکدیگر کدهای برنامه ها و پروژه ها را به هم ریخته و داده های اشتباه با ظاهر درست تولید کنند، کاربران گروهی خرابکار نامیده می شوند. این گروه از داوطلبان در قبال کارهاومسئولیتهایی که به آنان داده می شود به صورت گروهی نتایج غلطی را برمی گردانند. یکی از چالش های موجود در سیستم های محاسبات داوطلبانه تشخیص کاربران گروهی خرابکار می باشد. به کار بستن تکنیک های داده کاوی در عملکرد کاربران سیستم های محاسبات داوطلبانه یک راه حل قابل انتظار را ارائه می دهد که به توسعه بهتر سیستم های محافظ در مقابل خرابکاری کاربران کمک می کند. در سیستم های محاسبات داوطلبانه یک پروژه با محاسبات سنگین به چندین کار محاسباتی کوچک تر شکسته می شود، سپس هر کار محاسباتی بین 3 یا تعداد بیشتری نود به اشتراک گذاشته می شود. هر نود کار محاسباتی را انجام و نتیجه را برمی گردانند. درصورتی که نودهای منتسب به یک کار محاسباتی نتایج برخلاف هم را برگردانند یک گراف را تشکیل داده که در آن بین هر دو نود مخالف یک یال وجود خواهد داشت. از این گراف برای تشخیص کاربران گروهی خرابکار استفاده می شود. در این پایان نامه به پیشنهاد مدلی برای تشخیص کاربران گروهی خرابکار بر اساس روش های مبتنی بر گراف خواهیم پرداخت. پیدا کردن زیر گراف حداکثر متراکم از روش های مبتنی بر گراف است که برای تشخیص کاربران گروهی خرابکار به کاربرده شده است. الگوریتم زیر گراف حداکثر متراکم، نوعی از الگوریتم های پیمایش گراف است که نودهای با تراکم بالا را شناسایی کرده و به عنوان خروجی برمی گرداند. ازآنجاکه با استفاده از این الگوریتم، زیر گرافی را که تعداد یال های آن به بیشینه تعداد یال ممکن نزدیک باشد را شناسایی می کنیم درواقع آن دسته از نودهایی که بیشترین رأی مخالف رادارند و درواقع خرابکارند شناسایی می شوند.

بیش از یک دهه است که سیستم های محاسباتی داوطلبانه راهی را برای محاسبات با کارایی بالابر روی شبکه های با مقیاس وسیع از کامپیوتر های رومیزی فراهم ساخته اند. محیط های محاسباتی داوطلبانه در حل مسائل پیچیده محاسباتی از پیش بینی آب وهوا گرفته تا تجزیه وتحلیل لرزه ای، امتیازات بسیار به دست آورده است. این محیط ها ظرفیت محاسباتی گسترده ای را به صورت رایگان ارائه می دهند. محاسبات داوطلبانه یک محیط اینترنت یا اینترانت با توان بالا، قابل اعتماد، سازگار و دسترسی ارزان به انواع منابع را فراهم می سازد. امروزه قدرت محاسبات منابع محاسباتی داوطلبانه به بیش از چندین petaflops رسیده است. برای رسیدن به این نتیجه برجسته، پروژه ها و تحقیقات نظری تجربی زیادی در مورد نحوه استفاده از منابع بی کار، از شبکه صورت گرفته است. نقطه ضعف عمده این محیط های محاسباتی فرار بودن دسترس پذیری منابع است بدین صورت که نمی توان رفتار آن ها را در یک بازه از زمان مشخص نمود، بنابراین پیش بینی دقیق از دسترسی این منابع می تواند باعث بهبود عملکرد اجرایی برنامه های کاربردی در شبکه شود. در حال حاضر 70 برنامه کاربردی از 12 petaflops از قدرت محاسباتی این زیرساخت ها استفاده می کنند. یکی از زمینه های موردبحث در این محیط های محاسباتی استفاده بهینه از منابع فعال شبکه و پیش بینی بازه دسترس پذیری این منابع برای یک بازه زمانی متفاوت است که سبب افزایش کارایی این محیط های محاسباتی می شود. در این پایان نامه ما روشی را پیشنهاد کرده ایم که به کمک مدل احتمالی شبکه های بیزی رفتار منابع این محیط های فرار را برای بازه های مختلف زمانی پیشگویی می کند و از این پیشگویی برای ارسال کارهای محاسباتی معادل زمان پیشگویی شده فعال بودن آن ها استفاده کرده ایم که باعث افزایش کارایی سیستم شده است.