Nedávná studie publikovaná v časopise Engineering představuje inovativní rámec, který integruje strojové učení (ML) a blockchainovou technologii (BT) s cílem zvýšit výpočetní bezpečnost v inženýrských aplikacích. Tento rámec, nazvaný Machine Learning on Blockchain (MLOB), si klade za cíl překonat nedostatky současných metod integrace ML a BT, které se převážně zaměřují na zabezpečení dat a opomíjejí výpočetní bezpečnost. ML se v inženýrství široce využívá k řešení složitých problémů, přičemž nabízí vysokou přesnost a efektivitu. Přesto je náchylné k bezpečnostním hrozbám, jako je manipulace s daty či narušení logiky. BT, známá svou decentralizací, transparentností a neměnností, byla zkoumána jako prostředek ochrany inženýrských dat. Nicméně tradiční pracovní postupy ML zůstávají zranitelné vůči off-chain potenciálním útokům, neboť modely ML se obvykle vykonávají mimo prostředí blockchainu. Rámec MLOB řeší tento problém tím, že integruje jak data, tak výpočty přímo do blockchainu, přičemž je provádí jako chytré smlouvy a zajišťuje jejich protokolové záznamy. Skládá se ze čtyř klíčových komponent: získávání ML, kdy je model ML trénován na určený úkol; konverze ML, která upravuje trénovaný model pro nasazení na blockchain; bezpečné načítání ML, chránící bezpečnost transferu dat a modelu; a provádění ML na základě konsensu, které zajišťuje správnost a bezpečnost výpočetních procesů. Pro ověření účinnosti MLOB výzkumníci sestavili prototyp a aplikovali jej k monitorování pokroku při vnitřní výstavbě. Rámec porovnávali se třemi základními metodami a dvěma nedávnými přístupy spojujícími ML a BT.

Výsledky ukázaly, že MLOB výrazně zvýšil bezpečnost a úspěšně odolal šesti předem definovaným scénářům útoků. Přitom zachoval vysokou přesnost, přičemž rozdíl v průměrném průniku přes unii (MIoU) byl pouhých 0, 001 oproti nejlepšímu základu. Ačkoliv doba odezvy byla mírně prodloužena o 0, 231 sekundy ve srovnání s nejrychlejší základní metodou, celkový výkon stále odpovídal požadavkům průmyslové praxe. Dále má rámec MLOB manažerský význam. Motivuje organizace k inovacím prostřednictvím zavádění nejnovějších technologií, čímž podporuje konkurenceschopnější inženýrské procesy. Rovněž pomáhá zmírnit rizika spojená s ochranou dat a logiky, což přispívá k optimalizaci zdrojů a posílení ekonomické odolnosti. Na druhé straně rámec čelí určitým omezením, například omezené podpoře pro aplikace citlivé na latenci a absenci uživatelsky přívětivého rozhraní. Budoucí práce bude směřovat ke zvýšení efektivity a vývoji intuitivnějšího rozhraní, aby se zlepšila použitelnost a rozšířila aplikace MLOB v inženýrských výpočtech.