Технология блокчейн стала мощным решением для повышения безопасности и конфиденциальности в системах Интернет вещей (IoT), обеспечивая децентрализацию хранения данных и защищая транзакции с помощью криптографии, что гарантирует неизменяемость данных и защиту от несанкционированного доступа. Ранние работы предлагали легковесные платформы блокчейн для умных домов, направленные на защиту пользовательских данных от внешних атак. Смарт-контракты дополнительно автоматизируют действия устройств на основе заданных триггеров. Однако вычислительные требования блокчейна и механизмы консенсуса могут создавать задержки, снижая эффективность в приложениях реального времени. Исследуются возможности интеграции блокчейн с машинным обучением (ML) для повышения безопасности в сетях 6G и оптимизации инфраструктуры умного города, способствует повышению прозрачности, безопасности и эффективности в таких сферах, как энергетика и транспорт. Применение блокчейна также усиливает безопасность и конфиденциальность умных устройств IoT. Использование ML в предиктивном управлении температурой набирает обороты благодаря своей способности повышать реактивность системы и энергоэффективность. Алгоритмы ML анализируют исторические данные о внутренней температуре, занятости и погоде для предсказания потребности в отоплении или охлаждении, что позволяет заранее настраивать систему. Исследования показывают, что управление на базе ML может снизить потребление энергии до 18% по сравнению с реактивными системами. Такие предиктивные системы требуют надежной и защищенной обработки данных для обработки реальных и исторических входных данных. Для снижения задержек и пропускной способности облачной обработки используется периферийные вычисления, которые позволяют обрабатывать данные локально, повышая быстродействие, особенно в системах умного управления температурой. Синергия искусственного интеллекта (AI) и технологий блокчейн значительно повышает промышленную производительность, надежность работы и безопасность данных. Совмещение объяснимого AI с блокчейном улучшают принятие финансовых решений за счет повышения прозрачности и доверия. Варианты умных домов, использующие блокчейн и модели глубокого обучения, демонстрируют достижения в области энергоэффективности, безопасности и автоматизации. Модели дифференциальной приватности, интегрированные с блокчейном, значительно защищают приватность пользовательских данных. Такие системы, как BEDS, улучшает управление данными внутри умных домов и транспортных средств за счет эффективного планирования сбора данных с датчиков. Коллаборативные подходы с использованием блокчейн и беспроводных сенсорных сетей (WSN) обеспечивают целостность и надежность данных, в то время как новые методы рояльной интеллектуальности повышают безопасность и эффективность WSN.

Другие исследования оптимизируют работу микро сетей, системы беспроводной передачи энергии и интеграцию возобновляемых источников энергии в умных домах через продвинутые прогнозы и планирование, часто с использованием комбинированных алгоритмов ML для улучшения предсказаний потребления энергии. Доверие пользователей играет ключевую роль в принятии устройств умного дома с AI, формируя их готовность к интеграции новых технологий. Обзоры включают управление энергопотреблением на базе AI, оптимизирующее контроль температуры и эффективность, а также анализ блокчейна с акцентом на безопасность обмена данными умных домов. В сборе данных в реальном времени в рамках предиктивного управления температурой центральное место занимают беспроводные сенсорные сети, а различные стратегии ML повышают энергоэффективность за счет предсказания и регулировки систем отопления. Децентрализованная торговля энергией с помощью блокчейна обеспечивает соответствие целям управления энергией в умных домах. Методы агрегирования данных позволяют оптимизировать работу WSN, снижая энергопотребление и повышая точность. Обучаемые агенты позволяют IoT адаптироваться к контексту, а инновационные гибридные архитектуры и алгоритмы на базе агентных систем улучшают поиск ресурсов и локализацию узлов, повышая масштабируемость и безопасность в IoT-сетях. Работа вносит значительный вклад, осуществляя: (1) интеграцию AI и блокчейн для предиктивного управления температурой и безопасной обработки данных; (2) разработку фреймворка, сочетающего предиктившее планирование с динамическим обнаружением событий; и (3) оценку эффективности по показателям энергоэффективности, безопасности и масштабируемости. Несмотря на достижения, существуют недоработки: ограниченная интеграция блокчейн с предиктивным ML для контроля температуры, что мешает созданию более безопасных и адаптивных решений; многие системы недостаточно используют предиктивное управление в совокупности с надежной защитой данных; обработка в облаке вызывает задержки и узкие места по вычислительным ресурсам, мешающие реакции в реальном времени; а подходы к управлению энергией часто игнорируют динамическое ценообразование и возможности децентрализованной торговли. Данная работа решает эти проблемы через расширенную AI-ориентированную блокчейн-архитектуру, объединяющую WSN, предиктивную аналитику на базе ML и периферийные вычисления с обработкой данных с временными задержками. Важные инновации включают: защищенную блокчейн-поддерживаемую предиктивную ML-обработку для оптимизации отопления и охлаждения; использование периферийных вычислений для снижения задержек путем локальной обработки и анализа с временными смещениями для снижения пиковых нагрузок; точное обнаружение событий через расширенные WSN и предиктивное планирование для минимизации потребления энергии; блокчейн-обеспеченную пиринговую торговлю энергией с динамическими ценами для оптимизации использования и снижения затрат; а также расширяемость с улучшенной энергоэффективностью и безопасным децентрализованным управлением. Различные модели AI/ML применимы в этой области: искусственные нейронные сети (ANN) и глубокие нейронные сети моделируют сложные нелинейные временные ряды для предсказания температуры и энергии; машины опор векторов (SVM) выполняют регрессию по многомерным данным; случайные леса (RF) обеспечивают надежное ансамблевое предсказание; рекуррентные нейронные сети (RNN) и модели с долговременной памятью (LSTM) хорошо предсказывают временные зависимости; деревья решений (DT) создают интерпретируемые правила для контроля температуры. Эти модели повышают точность предсказаний для оптимизации систем HVAC. Постановка задачи включает моделирование динамики температуры на основе теплопередачи, использование ML для предсказания будущей температуры и потребления энергии, а также применение управляющих законов для поддержания внутренней температуры в пределах предпочтений пользователя. Минимизация потребления энергии достигается в рамках комфортных условий. Анализ с временным смещением позволяет перенести неотложные вычисления в периоды 낮кой нагрузки, сокращая пики по вычислительным ресурсам. Блокчейн обеспечивает защиту данных с датчиков и управляющих сигналов за счет хранения хэшированных, неизменных блоков, что гарантирует целостность и прозрачность данных. Выявление динамических событий отопления/охлаждения осуществляется по скоростям изменения температуры с адаптивными порогами, с помощью ML, учитывающего окружающую среду. Предиктивное планирование использует исторические паттерны событий для предсказания потребности в отоплении, что позволяет заблаговременно включать систему и повышать энергоэффективность.