En nyligt offentliggjort undersøgelse i Engineering introducerer en innovativ ramme, der integrerer maskinlæring (ML) og blockchain-teknologi (BT) for at forbedre den beregningsmæssige sikkerhed i ingeniørapplikationer. Denne ramme, kaldet Machine Learning on Blockchain (MLOB), søger at overvinde manglerne ved nuværende ML-BT integrationsmetoder, som primært fokuserer på datasecurity, mens de forsømmer beregningsmæssig sikkerhed. ML anvendes i vid udstrækning i ingeniørvidenskaben til at løse komplekse problemer og tilbyder høj nøjagtighed og effektivitet. Ikke desto mindre er det udsat for sikkerhedstrusler som datamanipulation og logikkorruption. BT, kendt for sin decentralisering, gennemsigtighed og uforanderlighed, er blevet undersøgt som et middel til at beskytte ingeniørdata. På trods af dette forbliver traditionelle ML-arbejdsgange udsatte for off-chain sårbarheder, da ML-modeller normalt køres uden for blockchain-miljøet. MLOB-rammen adresserer dette ved at indlejre både data og beregninger i blockchainen, hvor de køres som smarte kontrakter, og ved at sikre udførelseslogfiler. Den består af fire centrale komponenter: ML-anskaffelse, hvor en ML-model trænes til en bestemt opgave; ML-konvertering, som modificerer den trænede model til deployment på blockchainen; ML-sikker indlæsning, der beskytter sikkerheden ved data- og modeloverførsel; og konsensusbaseret ML-modeludførsel, som sikrer korrekthed og sikkerhed i de beregningsmæssige processer. For at demonstrere MLOB’s effektivitet opbyggede forskerne en prototype og anvendte den til at overvåge indendørs byggefremskridt. De vurderede rammen mod tre baseline-metoder og to nyere ML-BT integrerede tilgange.

Resultater viste, at MLOB markant forbedrede sikkerheden og med succes afviste seks foruddefinerede angrebsscenarier. Den bevarede høj nøjagtighed med kun en minimal difference på 0, 001 i gennemsnitlig intersection over union (MIoU) sammenlignet med den bedst præsterende baseline. Selvom effektiviteten var en smule reduceret med en latensforøgelse på 0, 231 sekunder i forhold til den hurtigste baseline, levede dens samlede ydeevne op til industrikrav. Derudover har MLOB-rammen ledelsesmæssig betydning. Den motiverer organisationer til at innovere ved at tage avanceret teknologi i brug, hvilket fremmer mere konkurrencedygtige ingeniørprocesser. Den mindsker også risici forbundet med datasecurity og logik, hvilket hjælper med at optimere ressourceallokering og styrke den økonomiske modstandsdygtighed. Dog har rammen sine begrænsninger, herunder begrænset understøttelse af forsinkelseskritiske applikationer og manglen på en brugervenlig grænseflade. Fremtidigt arbejde vil fokusere på at forbedre effektiviteten og udvikle en mere tilgængelig brugerflade for at forbedre brugervenligheden og udbrede anvendelsen af MLOB i ingeniørberegninger.