Blockchain technologija tapo stipriu sprendimu, gerinančiu saugumą ir privatumą Internet of Things (IoT) sistemose, decentralizuojant duomenų saugyklą ir užtikrinant sandorius kriptografijos pagalba, tai garantuoja duomenų nekintamumą ir apsaugą nuo neteisėto prieigos. Anksčiau siūlyti lengvosios blockchain struktūros išmaniuosioms namų sistemoms apsaugoti naudotojų duomenis nuo išorinių atakų. Išmanūs kontraktai dar labiau automatizuoja įrenginių veikimą pagal nustatytus triggerius. Tačiau blockchain skaičiavimų reikalavimai ir sutarimo mechanizmai gali sukelti vėlavimus ir sumažinti efektyvumą realiu laiku veikiantose sistemose. Tyrimai sujungia blockchain su mašininiu mokymusi (ML), siekiant pagerinti saugumo valdymą 6G tinkluose ir optimizuoti išmaniųjų miestų infrastruktūras, stiprindami skaidrumą, saugumą ir efektyvumą energetikos ir transporto srityse. Blockchain taikymas taip pat stiprina IoT išmaniųjų įrenginių saugumą ir privatumą. ML taikymas prognozuojant temperatūros kontrolę įgavo pagreitį dėl jos gebėjimo pagerinti sistemos reagavimą ir energijos vartojimo efektyvumą. ML algoritmai analizuoja istorinę patalpų temperatūros, užimtumo ir oro sąlygų duomenis, kad prognozuotų šilumos ar aušinimo poreikius, leidžiant atlikti iš anksto būtinus sisteminius pakeitimus. Tyrimai rodo, kad ML pagrįstos kontrolės sistemos gali sumažinti energijos suvartojimą iki 18% palyginti su reaktyviomis sistemomis. Tokios prognozuojamosios sistemos reikalauja patikimo, saugaus duomenų apdorojimo tiek realiu laiku, tiek iš anksto surinktų duomenų apdorojimui. Siekiant sumažinti delsą ir duomenų perdavimo srautų apkrovą, įvestas kraštinis apdorojimas, atliekantis duomenų lokalią analizę, taip gerinant sprendimų priėmimą realiu laiku, ypač temperatūros valdyme. Dirbtinio intelekto (AI) ir blockchain technologijų sinergija žymiai pagerina pramonės produktyvumą, veiklos patikimumą ir duomenų saugumą. Derinant aiškų AI paaiškinamumą su blockchain, pagerinama finansinė sprendimų priėmimo kokybė, didinant skaidrumą ir pasitikėjimą. Išmanieji namų kontekstą taikantys blockchain ir giluminio mokymosi modeliai demonstruoja pažangą energetikos efektyvumo, saugumo ir automatizacijos srityse. Diferencijuotos privatumo modeliai, integruoti su blockchain, reikšmingai apsaugo naudotojų duomenų privatumą. Sistemose, tokiose kaip BEDS, efektyviai valdomas duomenų srautas namuose ir transporto priemonėse per sensorinių duomenų tvarkymą. Kolaboratyvūs metodai, jungiant blockchain ir belaidžių jutiklių tinklus (WST), gerina duomenų vientisumą ir patikimumą, o naujosios pulkinio intelekto (swarm intelligence) metodai stiprina WST saugumą ir efektyvumą.

Kiti tyrimai optimizuoja mikrovidžių veiklą, belaidžio energijos perdavimo sistemas ir atsinaujinančios energijos integraciją išmaniuosiuose namuose, taikant pažangius prognozavimo ir tvarkaraščio sudarymo metodus, dažnai naudojant sudėtinius ML algoritmus energijos suvartojimo prognozėms gerinti. Naudotojų pasitikėjimas itin svarbus diegiant AI pagrįstus išmaniųjų namų įrenginius, formuodamas jų norą priimti tokias technologijas. Apžvalgos apima AI valdomą energijos valdymą, optimizuojantį temperatūros kontrolę ir efektyvumą, o blockchain analizė orientuota į išmaniųjų namų duomenų keitimosi saugumą. WST dažnai naudojami realaus laiko duomenų surinkimui prognozuojant temperatūros kontrolę, taikant įvairius ML strategijas, gerinančias energijos efektyvumą, prognozuojant ir reguliuojant šilumos sistemas. Decentralizuotas energijos mainų su blockchain sprendimas yra suderintas su išmaniųjų namų energijos valdymo tikslais. Duomenų kaupimo metodai mažina energijos suvartojimą ir didina tikslumą. Kognityviniai agentai leidžia IoT kontekstualiai prisitaikyti. Inovatyvios hibridinės architektūros ir agentų pagrįsti algoritmai gerina resursų paiešką ir mazgų lokaciją, taip didinant mastelį ir saugumą IoT tinkluose. Šis darbas reikšmingai prisideda pateikdamas (1) AI ir blockchain integraciją prognozuojamai temperatūros valdymui ir saugiam duomenų apdorojimui; (2) sukuria sistemą, jungiančią prognozuojamą tvarkaraštį su dinamiška įvykių detekcija; ir (3) vertina našumą energijos efektyvumo, saugumo ir mastelio klausimais. Nors pasiekta pažanga, tebegyvena spragų – ribota blockchain ir prognozavimo ML integracija temperatūros kontrolei riboja saugius ir prisitaikančius sprendimus; dauguma sistemų trūksta prognozuojamos kontrolės kartu su patikimu duomenų saugumu; debesijos pagrindu vykdomas apdorojimas sukelia delsą ir skaičiavimo spartos kliūtis, trukdančias realiu laiku reaguoti; taip pat energijos valdymo metodai dažnai ignoruoja dinaminį kainodarą ir decentralizuotą prekybą. Šį trūkumą sprendžia AI palaikoma blockchain sistema, integruojanti WST, ML pagrįstą prognozavimą ir kraštinio apdorojimo būdus su laiko paslinkimu duomenų apdorojimui. Pagrindiniai sprendimai apima saugią blockchain palaikomą prognozuojamą ML naudojant optimaliam šilumos ar vėsinimo valdymui; kraštinio apdorojimo taikymą mažinti delsą, apdorojant duomenis vietoje ir laiko paslinkimu siekiant sumažinti viršutinius krūvius; tikslų įvykių aptikimą naudojant pažangius WST ir prognozuojamą tvarkaraštį energijos minimalizavimui; blockchain leidžia saugiai ir nekintamai registruoti ir sudaryti sandorius dėl energijos pardavimo tarp išmaniųjų namų, kartu diegiant dinamišką kainodarą, optimizuojant naudojimą ir mažinant sąnaudas; mastelį užtikrina patobulintas energijos efektyvumas ir saugi decentralizuota valdymo sistema. Į šią sritį taikomi įvairūs AI/ML modeliai: dirbtiniai neuroniniai tinklai (DNTs) ir gilūs neuroniniai tinklai modeliuoja sudėtingas nelinijines laiko serijas energijos ir temperatūros prognozėms; paraboliniai mašininiai modeliai (SVM) atlieka regresiją didelės dimensijos duomenyse; atsitiktinių miškų (RF) modeliai siūlo patikimą ansamblių prognozę; pasikartojantys neuroniniai tinklai (RNN) ir ilgalaikis trumpalaikis atminties (LSTM) modeliai puikiai prognozuoja priklausomai nuo laiko; sprendimų medžiai (DT) leidžia interpretuoti sprendžiamąją logiką temperatūros kontrolei. Šie modeliai pagerina prognozių tikslumą, optimizuoja šilumos ir ventiliacijos sistemas. Sprendimų formuluotėje aprašoma temperatūros dinamikos modeliavimas, remiantis šilumos perdavimo principais, naudoti ML būdus būsimai temperatūrai ir energijos suvartojimui prognozuoti, bei taikyti kontrolės įstatymus, kad patalpos temperatūra išliktų naudotojų pageidaujamoje diapazone. Energijos suvartojimas sumažinamas laikantis komforto reikalavimų. Laiko paslinkimo analizė perkrauna nereikšmingus skaičiavimus į neįprastus laikotarpius, sumažindama viršutinius krūvius. Blockchain užtikrina jutiklių duomenų ir kontrolės signalų saugumą, saugodamas juos neišardomais, hash-inti blokais, garantuojant duomenų vientisumą ir skaidrumą. Dinamiški šilumos/vėsinimo įvykiai aptinkami pagal temperatūros pokyčio greitį, o slenksčiai pritaikomi naudojant ML, siekiant įvertinti aplinkos kintamumą. Prognozuojantis tvarkaraštis naudojasi istorinių įvykių analize, leidžiančia iš anksto planuoti šilumos poreikius ir įgalinti iš anksto veiksmų pradžią, taip taupant energiją.