فناوری بلاکچین به عنوان راه‌حلی قدرتمند برای ارتقاء امنیت و حریم خصوصی در سامانه‌های اینترنت اشیاء (IoT) تبدیل شده است که با تمرکززدایی از ذخیره‌سازی داده‌ها و ایمن‌سازی تراکنش‌ها از طریق رمزنگاری، تضمین‌کننده عدم تغییر داده‌ها و حفاظت در برابر دسترسی غیرمجاز است. تحقیقات اولیه چارچوب‌های سبک بلاکچین برای خانه‌های هوشمند پیشنهاد دادند تا از داده‌های کاربران در برابر حملات خارجی محافظت کنند. قراردادهای هوشمند اقدامات دستگاه‌ها را بر اساس محرک‌های تعیین‌شده به صورت خودکار انجام می‌دهند. اما نیازمندی‌های محاسباتی بلاکچین و مکانیزم‌های توافق جمعی ممکن است منجر به تأخیر شوند و کارایی در برنامه‌های با زمان واقعی را کاهش دهند. در حال بررسی است که ادغام بلاکچین با یادگیری ماشین (ML) چگونه می‌تواند برای بهبود مدیریت امنیت در شبکه‌های ۶G و بهینه‌سازی زیرساخت‌های شهر هوشمند، شفافیت، امنیت و کارایی در حوزه‌هایی مانند انرژی و حمل‌ونقل مفید باشد. کاربردهای بلاکچین همچنین امنیت و حریم خصوصی دستگاه‌های هوشمند IoT را تقویت می‌کنند. کاربرد ML در کنترل دمای پیش‌بینانه به دلیل توانایی آن در بهبود پاسخگویی سیستم و بهره‌وری انرژی رونق گرفته است. الگوریتم‌های ML داده‌های تاریخی دما، حضور افراد و وضعیت آب‌وهوایی را تحلیل می‌کنند تا نیازهای گرمایش یا سرمایش را پیش‌بینی کرده و تنظیمات پیش‌گیرانه سیستم را فعال کنند. مطالعات نشان می‌دهد کنترل مبتنی بر ML می‌تواند تا ۱۸٪ مصرف انرژی را نسبت به سیستم‌های واکنشی کاهش دهد. چنین سیستم‌های پیش‌بینی نیاز به مدیریت داده‌های قدرتمند و امن دارند تا ورودی‌های لحظه‌ای و تاریخی را پردازش کنند. محاسبات لبه با هدف کاهش تأخیر در پردازش ابری و مشکل کافی بودن پهنای باند، داده‌ها را در محل محلی مدیریت می‌کنند، که این امر تصمیم‌گیری در زمان واقعی، به ویژه در کنترل دما، را بهبود می‌بخشد. هم‌افزایی بین هوش مصنوعی (AI) و فناوری بلاکچین به طور قابل توجهی بهره‌وری صنعتی، اطمینان‌پذیری عملیاتی و امنیت اطلاعات را ارتقاء می‌دهد. ترکیب هوش مصنوعی قابل توضیح (XAI) با بلاکچین، تصمیم‌گیری‌های مالی را به واسطه شفافیت و اعتماد بیشتر بهبود می‌بخشد. چارچوب‌های خانه هوشمند مبتنی بر بلاکچین و مدل‌های یادگیری عمیق پیشرفت‌هایی در بهره‌وری انرژی، امنیت و خودکارسازی نشان می‌دهند. مدل‌های حریم خصوصی تفاضلی که با بلاکچین ادغام شده‌اند، به طور قابل ملاحظه‌ای حریم خصوصی داده‌های کاربر را محافظت می‌کنند. سامانه‌هایی مانند BEDS با مدیریت کارآمد داده‌های حسگر، در بهبود مدیریت داده‌های درون خانه‌های هوشمند و وسایل نقلیه نقش دارند. رویکردهای همکاری که بلاکچین را با شبکه‌های حسگر بی‌سیم (WSNs) تلفیق می‌کنند، یکپارچگی و قابلیت اعتماد داده‌ها را پیش می‌برند و روش‌های نوین هوش ازدحامی، امنیت و اثربخشی WSN را تقویت می‌کنند. تحقیقات دیگر، عملیات میکروشبکه، سیستم‌های انتقال قدرت بی‌سیم و ادغام انرژی‌های تجدیدپذیر در خانه‌های هوشمند را با پیش‌بینی‌های پیشرفته و برنامه‌ریزی بهینه، معمولاً با استفاده از ترکیب الگوریتم‌های ML، بهبود می‌بخشند. اعتماد کاربران نقش حیاتی در پذیرش دستگاه‌های خانه هوشمند مبتنی بر هوش مصنوعی ایفا می‌کند و تمایل آن‌ها به ادغام چنین فناوری‌هایی را شکل می‌دهد. بررسی‌ها جنبه‌هایی مانند مدیریت هوشمند انرژی بر پایه AI برای بهینه‌سازی کنترل دما و بهره‌وری را پوشش می‌دهند، در حالی که تمرکز بر امنیت تبادلات داده در خانه‌های هوشمند با بلاکچین است. شبکه‌های حسگر بی‌سیم در چارچوب‌های کنترل دمای پیش‌بینانه، در جمع‌آوری داده‌های لحظه‌ای نقش کلیدی دارند و با بهره‌گیری از استراتژی‌های مختلف ML، در کاهش مصرف انرژی با پیش‌بینی و تنظیم سیستم‌های گرمایشی مؤثر هستند. تجارت انرژی غیرمتمرکز با پشتیبانی از بلاکچین، هم‌راستا با اهداف مدیریت انرژی در خانه‌های هوشمند است. تکنیک‌های تجمیع داده‌ها، عملکرد شبکه‌های حسگر بی‌سیم را بهبود می‌بخشند، مصرف انرژی را کاهش می‌دهند و دقت را افزایش می‌دهند. عوامل شناختی، توانایی‌های دستگاه‌ها در سازگاری متناسب با زمینه IoT را فراهم می‌کنند.

معماری‌های ترکیبی نوآورانه و الگوریتم‌های مبتنی بر عامل، کشف منابع و مکان‌یابی گره‌ها را بهبود می‌بخشند، که سبب توسعه‌پذیری و امنیت در شبکه‌های IoT می‌شود. پژوهش‌های ارائه شده، به طور قابل توجهی با (۱) ادغام AI و بلاکچین برای مدیریت پیش‌بینانه دما و مدیریت امن داده‌ها؛ (۲) توسعه چارچوبی که برنامه‌ریزی پیش‌بینانه را با کشف رویدادهای پویا ترکیب می‌کند؛ و (۳) ارزیابی عملکرد در زمینه‌های صرفه‌جویی انرژی، امنیت و مقیاس‌پذیری، همراه است. با این حال، شکاف‌هایی نیز وجود دارد: کمبود ادغام بلاکچین با ML پیش‌بینی‌کننده در کنترل دما که راه‌حل‌های امن و سازگار را محدود می‌کند؛ بسیاری از سیستم‌ها از کنترل پیش‌بینانه همراه با امنیت داده‌های قوی بی‌بهره‌اند؛ پردازش مبتنی بر ابر باعث تأخیر و گلوگاه‌های محاسباتی می‌شود که پاسخ‌گویی در زمان واقعی را مختل می‌کند؛ و رویکردهای مدیریت انرژی غالباً به قیمت‌گذاری دینامیک و پتانسیل‌های تجارت غیرمتمرکز نپرداخته‌اند. این مقاله این شکاف‌ها را از طریق یک چارچوب مبتنی بر بلاکچین و هوشمند مجهز به AI، که شبکه‌های حسگر بی‌سیم، تحلیل‌های پیش‌بینانه مبتنی بر ML و محاسبات لبه را با پردازش داده‌های زمان‌مقداری تلفیق می‌کند، برطرف می‌کند. نوآوری‌های کلیدی شامل موارد زیر است: پیش‌بینیگر مبتنی بر بلاکچین برای کنترل بهینه گرمایش و سرمایش؛ بهره‌گیری از محاسبات لبه برای کاهش تأخیر با پردازش محلی داده‌ها و تحلیل زمان‌مقداری برای کاهش بارهای اوج؛ کشف رویدادهای دقیق با حسگرهای پیشرفته و برنامه‌ریزی پیش‌بینانه برای کمینه‌سازی مصرف انرژی؛ تجارت انرژی هم‌پیمانه و غیرمتمرکز با قیمت‌گذاری دینامیک برای بهبود بهره‌وری و کاهش هزینه‌ها؛ و مقیاس‌پذیری در کنار افزایش بهره‌وری انرژی و مدیریت امن، غیرمتمرکز. مدل‌های هوشمند و یادگیری ماشین مختلف در این حوزه کاربرد دارند: شبکه‌های عصبی مصنوعی (ANN) و شبکه‌های عمیق برای مدل‌سازی سری‌های زمانی پیچیده غیرخطی دما و انرژی؛ ماشین‌های برداری پشتیبان (SVM) برای رگرسیون بر داده‌های ابعاد بالا؛ جنگل‌های تصادفی (RF) برای پیش‌بینی‌های مقاوم مجموعه‌ای؛ شبکه‌های عصبی بازگشتی (RNN) و مدل‌های حافظه بلند مدت کوتاه (LSTM) برای پیش‌بینی‌های وابسته به زمان؛ و درخت‌های تصمیم‌گیری (DT) برای تصمیم‌گیری قابل تفسیر در کنترل دما. این مدل‌ها دقت پیش‌بینی را برای بهینه‌سازی سیستم‌های HVAC ارتقاء می‌دهند. فرمول‌بندی مشکل شامل مدل‌سازی دینامیک دما بر اساس انتقال حرارت، استفاده از ML برای پیش‌بینی دمای آینده و مصرف انرژی، و کاربرد قوانین کنترل برای حفظ دمای داخل ساختمان در محدوده ترجیحات کاربر است. هدف کاهش مصرف انرژی در قالب رعایت محدودیت‌های راحتی است. تحلیل زمان‌مقداری بارهای غیرضروری را در زمان‌های اوج کاهش می‌دهد و فشار محاسباتی را کم می‌کند. بلاکچین داده‌های حسگر و سیگنال‌های کنترل را با ذخیره‌سازی بلاک‌های رمزگذاری‌شده و تغییرناپذیر تضمین می‌کند تا یکپارچگی و شفافیت اطلاعات حفظ شود. رویدادهای گرمایش/سرمایش پپیش‌بینی با نرخ تغییر دما تشخیص داده می‌شوند و آستانه‌ها با ML برای درنظر گرفتن تغییرات محیطی تطبیق می‌یابند. برنامه‌ریزی پیش‌بینانه از الگوهای رویدادهای گذشته برای پیش‌بینی نیازهای گرمایشی بهره می‌گیرد و امکان فعالیت‌های پیش‌گیرانه و بهینه‌سازی مصرف انرژی را فراهم می‌کند. یک نوآوری کلیدی، تجارت انرژی غیرمتمرکز مبتنی بر بلاکچین است، جایی که انرژی تجدیدپذیر مازاد با امنیت کامل و با قراردادهای هوشمند در قیمت‌های دینامیک مبادله می‌شود. شبکه‌های حسگر بی‌سیم با مدیریت فعال حسگرها، مصرف انرژی را کمینه می‌کنند و در عین حال پوشش مورد نیاز را فراهم می‌آورند. چندین خانه هوشمند به عنوان عوامل در یک شبکه غیرمتمرکز همکاری می‌کنند تا بارهای انرژی را به اشتراک گذاشته و بارهای اوج را کاهش دهند. الگوریتم کنترل تطبیقی، مصرف انرژی و تغییرات دما را با استفاده از سیگنال‌های بازخورد لحظه‌ای و نرخ‌های یادگیری کمینه می‌کند. این سیستم، داده‌های حسگرهای تاریخی و لحظه‌ای را جمع‌آوری و پیش‌پردازش می‌کند، مدل‌های ML را آموزش می‌دهد، دما و مصرف انرژی را پیش‌بینی می‌کند، رویدادهای گرمایشی و سرمایشی را شناسایی می‌نماید، و با استفاده از بلاکچین برای ثبت‌های امن و تغییرناپذیر و توافق جمعی، هم‌چنین با برنامه‌ریزی پیش‌بینانه و بهینه‌سازی، به صورت پویا به سیگنال‌های بازخورد پاسخ می‌دهد. ارزیابی عملکرد بر اساس دقت، صرفه‌جویی در مصرف انرژی، مقیاس‌پذیری و تأخیر انجام می‌شود. مطالعات شبیه‌سازی روی یک مجموعه داده واقعی که شامل حسگرهای بی‌سیم و اینترنت اشیاء برای نظارت بر دما، مصرف انرژی و وضعیت رادیاتور، به همراه داده‌های آب‌وهوایی خارجی در چندین اتاق در طی شش ماه است، انجام شده است. فرآیندهای پیش‌پردازش شامل برون‌ یابی برای مقادیر گمشده، حذف ناهنجاری‌ها با فیلتر فاصله بین کواریانس، نرمال‌سازی و استخراج ویژگی‌های الگوهای زمانی است. مدل‌های شبکه عصبی آموزش دیده و برای یادگیری تطبیقی نمایش داده شده‌اند. نتایج شبیه‌سازی نشان می‌دهد که سیستم بهتر می‌تواند در برابر نوسانات خارجی، دماهای داخلی را نگه دارد و با کنترل پیش‌بینانه، دما را نرم‌تر تنظیم می‌کند و با تنظیم پویا توان، مصرف انرژی قابل توجهی کاهش می‌یابد. ادغام بلاکچین امنیت داده‌ها و پشتیبانی از مبادلات و برنامه‌ریزی انرژی غیرمتمرکز را تضمین می‌کند. سیستم با دقت بالا رویدادهای مربوط به خاموش و روشن بودن رادیاتور و فعالیت‌های سرمایشی را مشخص می‌کند و به کنترل قبل از نیاز با بهره‌گیری از Threshold‌های مبتنی بر ML کمک می‌نماید. مقایسه با کنترلرهای ترموستات و PID سنتی، صرفه‌جویی در انرژی، زمان پاسخ، دقت، شناسایی رویداد و امنیت داده‌ها به طور قابل توجهی ارتقاء یافته است. بررسی‌های پیچیدگی الگوریتم نشان می‌دهد که جمع‌آوری داده‌های لحظه‌ای و تاریخی، استنتاج ML، پردازش تراکنش‌های بلاکچین و تشخیص رویدادها به ترتیب دارای پیچیدگی‌های عملیاتی مناسب است که سیستم را برای عملیات در زمان واقعی کارآمد می‌سازد. حافظه مورد نیاز با افزایش تعداد حسگرها و اندازه بلاک‌ها رشد می‌کند. این چارچوب توازنی بین نیازهای محاسباتی، بهینه‌سازی مصرف انرژی و حفظ یکپارچگی داده‌ها با استفاده از توافق جمعی بلاکچین برقرار می‌کند. در جمع‌بندی، این چارچوب مبتنی بر هوشمند و بلاکچین، که برای کنترل پیش‌بینانه دما در خانه‌های هوشمند طراحی شده است، ترکیبی از پیش‌بینی‌های پیشرفته ML، مدیریت امن و غیرمتمرکز داده، پردازش لبه‌ای و تجارت انرژی غیرمتمرکز است. رویکرد جامع یادگیری، امنیت داده، عملکرد سریع، کاهش مصرف انرژی و رضایت کاربر را به صورت قابل توجهی ارتقاء می‌دهد و پاسخگویی به چالش‌های کلیدی در محیط‌های خانه هوشمند را ممکن می‌سازد و بر اساس توسعه‌پذیری، اعتمادپذیری و قابلیت سازگاری، مدیریت دما را در محیط‌های آینده تضمین می‌کند.