Tehnologia blockchain a devenit o soluție puternică pentru creșterea securității și confidențialității în sistemele Internet of Things (IoT), prin decentralizarea stocării datelor și securizarea tranzacțiilor prin criptografie, asigurând imuabilitatea datelor și protecția împotriva accesului neautorizat. Primele proiecte au propus cadre blockchain ușor pentru case inteligente, pentru a proteja datele utilizatorilor de atacuri externe. Contractele inteligente automatizează și mai mult acțiunile dispozitivelor, bazându-se pe declanșatori predefiniți. Totuși, cerințele de calcul și mecanismele de consens ale blockchain-ului pot introduce întârzieri care reduc eficiența în aplicațiile în timp real. Integrarea blockchain-ului cu învățarea automată (ML) este explorată pentru a îmbunătăți gestionarea securității în rețelele 6G și pentru a optimiza infrastructurile orașelor inteligente, sporind transparența, securitatea și eficiența în domenii precum energie și transport. Aplicațiile blockchain întăresc, de asemenea, securitatea și confidențialitatea dispozitivelor IoT din casele inteligente. Aplicarea ML în controlul predictiv al temperaturii a câștigat teren datorită capacității sale de a îmbunătăți răspunsul sistemului și eficiența energetică. Algoritmii ML analizează date istorice despre temperatura interioară, ocuparea spațiului și vremă, pentru a anticipa necesarul de încălzire sau răcire, permițând ajustări prompte ale sistemului. Studii arată că controlul bazat pe ML poate reduce consumul de energie cu până la 18% față de sistemele reactive. Astfel de sisteme predictive necesită gestionare robustă și sigură a datelor pentru a procesa intrări în timp real și istorice. Computația la margine (edge computing) este introdusă pentru a reduce întârzierile și utilizarea de bandă în procesarea datelor în cloud, gestionând date local și îmbunătățind deciziile în timp real, mai ales pentru controlul temperaturii. Sinergia dintre inteligența artificială (AI) și tehnologiile blockchain optimizează semnificativ productivitatea industrială, fiabilitatea operațională și securitatea datelor. Combinarea AI explicabilă cu blockchain-ul îmbunătățește deciziile financiare prin creșterea transparenței și încrederii. Cadrele pentru case inteligente, utilizând blockchain și modele de deep learning, demonstrează progrese în eficiența energetică, securitate și automatizare. Modelele de confidențialitate diferențială integrate cu blockchain protejează semnificativ confidențialitatea datelor utilizatorilor. Sistemele precum BEDS îmbunătățesc gestionarea datelor în case și vehicule inteligente, prin programarea eficientă a datelor de senzori. Abordările colaborative ce combină blockchain cu rețele de senzori wireless (WSN) avansează integritatea și fiabilitatea datelor, în timp ce metodele noi de inteligență colectivă (swarm intelligence) sporesc securitatea și eficiența WSN-urilor. Alte cercetări optimizează operațiunile microrețelelor, sistemele de transfer de energie wireless și integrarea energiei regenerabile în casele inteligente, prin previziuni avansate și programare, adesea folosind algoritmi ML combinați pentru predicții îmbunătățite de consum energetic. Încrederea utilizatorului influențează critic adoptarea dispozitivelor inteligente bazate pe AI în case, influențând disponibilitatea de a integra astfel de tehnologii. Recenziile acoperă managementul energiei bazat pe AI, ce optimizează controlul temperaturii și eficiența, în timp ce analizele blockchain se concentrează pe securizarea schimburilor de date în case inteligente. Rețelele WSN joacă un rol central în colectarea datelor în timp real pentru cadrele de control predictiv al temperaturii, iar diverse strategii ML îmbunătățesc eficiența energetică prin anticiparea și ajustarea sistemelor de încălzire. Tranzacțiile descentralizate de energie, susținute de blockchain, se aliniază cu obiectivele de gestionare energetică în case inteligente. Tehnicile de agregare a datelor optimizează performanța WSN-urilor prin reducerea consumului de energie și creșterea acurateței. Agenți cognitivi permit adaptabilitatea în contextul IoT.

Arhitecturile hibride inovative și algoritmii bazate pe agenți sporesc descoperirea resurselor și localizarea nodurilor, îmbunătățind scalabilitatea și securitatea rețelelor IoT. Lucrarea prezentată contribuie semnificativ prin (1) integrarea AI și blockchain pentru gestionarea predictivă a temperaturii și manipularea sigură a datelor; (2) dezvoltarea unui cadru care combină programarea predictivă cu detectarea dinamică a evenimentelor; și (3) evaluarea performanței în termeni de eficiență energetică, securitate și scalabilitate. În ciuda progreselor, există lacune: integrarea limitată a blockchain-ului cu ML predictiv pentru controlul temperaturii restricționează soluțiile sigure și adaptabile; multe sisteme lipsesc de control predictiv combinat cu securitatea robustă a datelor; procesarea centrată pe cloud cauzează întârzieri și blocaje computationale care împiedică răspunsurile în timp real; iar abordările de gestionare a energiei adesea nu consideră prețurile dinamice și potențialele tranzacții descentralizate. Acest articol abordează aceste lacune printr-un cadru blockchain cu AI, care integrează rețele de senzori wireless, analize predictive bazate pe ML și procesare la margine, cu gestionare a datelor în timp diferit. Inovațiile cheie includ ML predictiv susținut de blockchain pentru încălzire/răcire optimizată; utilizarea edge computing pentru reducerea latenței prin procesare locală și analiza în timp diferit pentru a reduce vârfurile de consum; detectarea precisă a evenimentelor prin WSN avansate, combinată cu programarea predictivă pentru minimizarea consumului energetic; tranzacționarea energetică peer-to-peer securizată prin blockchain, cu prețuri dinamice pentru optimizarea utilizării și reducerea costurilor; și scalabilitatea, cu creșterea eficienței energetice și a managementului descentralizat sigur. Diferite modele AI/ML sunt aplicate în acest domeniu: rețele neuronale artificiale (ANN) și rețele neuronale profunde modelează serii temporale complexe pentru predicții de temperatură și energie; mașinile cu vector Support (SVM) realizează regresie asupra datelor de înaltă dimensiune; pădurile random (RF) oferă predicții robuste în ansamblu; rețelele neuronale recurente (RNN) și modelele Long Short-Term Memory (LSTM) excelează în previzionarea temporală dependente; arborii de decizie (DT) oferă decizii interpretabile pentru controlul temperaturii. Aceste modele îmbunătățesc acuratețea predicției pentru optimizarea sistemelor HVAC. Formularea problemei include modelarea evoluției temperaturii pe baza transferului de căldură, utilizarea ML pentru anticiparea temperaturii și consumului de energie și aplicarea legilor de control pentru menținerea temperaturii interioare în limitele preferințelor utilizatorului. Consumul energetic este minimizat sub constrângeri de confort. Analiza în timp diferit trimite calculele ne-urgent către perioade off-peak, reducând sarcina computațională în perioade de vârf. Blockchain-ul asigură datele senzoriale și semnalele de control, prin stocarea în blocuri imutabile cu hash, garantând integritatea și transparența datelor. Detectarea dinamică a evenimentelor de încălzire/răcire se face prin ratele de schimbare ale temperaturii, cu praguri adaptate folosind ML pentru a ține cont de variațiile mediului. Programarea predictivă folosește modele istorice pentru a anticipa nevoile de încălzire, permițând funcționarea preemptivă și eficientă energetic. O inovație principală o constituie tranzacționarea descentralizată de energie între case inteligente, unde excesul de energie regenerabilă este tranzacționat sigur prin contracte inteligente la prețuri dinamice. Rețelele wireless de senzori sunt optimizate prin gestionarea adaptivă a senzorilor activi pentru a minimiza consumul de energie, menținând totodată acoperirea. Mai multe case inteligente colaborează ca agenți într-o rețea descentralizată de a împărți sarcinile energetice și de a reduce cererile vârf. Un algoritm adaptiv de control minimizează consumul de energie și abaterile de temperatură, utilizând feedback în timp real și rate de învățare. Algoritmul sistemului colectează și preprocesează datele sensoriale istorice și în timp real, antrenează modelele ML, face predicții de temperatură și consum, detectează evenimente de încălzire/răcire, integrează blockchain-ul pentru înregistrare sigură și consens, aplică programarea predictivă și optimizarea, și se adaptează dinamic pe baza feedback-ului. Performanța este evaluată în funcție de acuratețe, economii de energie, scalabilitate și latență. Studiile de simulare utilizează un set de date real, cu rețele de senzori wireless și dispozitive IoT ce monitorizează temperaturile, consumul și starea radiatoarelor, împreună cu date meteo externe, din mai multe camere, pe o perioadă de șase luni. Preprocesarea include interpolare pentru date lipsă, eliminarea valorilor aberante folosind filtrarea interquartilului, normalizare și extragerea de caracteristici pentru modelele temporale. Modelele neuronale sunt antrenate și vizualizate pentru învățare adaptivă. Simulările demonstrează capacitatea superioară a sistemului de a menține temperaturile interioare în condiții de fluctuații externe, prin control predictiv, atingând o reglare mai lină a temperaturii și reducând semnificativ consumul energetic prin ajustări dinamice ale puterii și balansare în timp. Integrarea blockchain asigură o gestionare sigură a datelor și susține tranzacționarea și programarea descentralizată a energiei. Sistemul detectează rapid evenimentele de pornire/oprie a radiatoarelor și de răcire, cu praguri bazate pe ML, permițând control preemptiv eficient energetic. Comparativ cu controlerii convenționali precum termostatul și PID-ul, rezultatele arată economii de energie, timpi de răspuns mai buni, precizie crescută, detectare fiabilă a evenimentelor și securitate sporită a datelor. Analizele de complexitate algoritmică relevă o colectare eficientă a datelor în timp real (O(n)), inferența ML (O(d)), procesele blockchain (O(1) până la O(log n)) și detectarea evenimentelor (O(n)). Spațiul de stocare crește proporțional cu numărul de senzori și dimensiunea blockchain-ului. Cadrul echilibrează cerințele computaționale și optimizarea consumului de energie, păstrând în același timp integritatea datelor prin consensul blockchain. În concluzie, cadrul propus, bazat pe AI și blockchain, pentru controlul predictiv al temperaturii în case inteligente combină previziuni avansate ML, gestionare securizată și descentralizată a datelor, procesare la margine cu date în timp diferit și tranzacționare descentralizată de energie. Această abordare integrată crește considerabil eficiența energetică, viteza de răspuns a sistemului, confortul utilizatorului și securitatea datelor, rezolvând principalele provocări din mediile de case inteligente și oferind o gestionare scalabilă, de încredere și adaptabilă a temperaturii.