Eine kürzlich in Engineering veröffentlichte Studie stellt ein innovatives Rahmenwerk vor, das maschinelles Lernen (ML) und Blockchain-Technologie (BT) integriert, um die rechnerische Sicherheit in technischen Anwendungen zu verbessern. Dieses Rahmenwerk, genannt Machine Learning on Blockchain (MLOB), soll die Schwächen aktueller ML-BT-Integrationsmethoden überwinden, die hauptsächlich auf Datensicherheit fokussieren und die rechnerische Sicherheit vernachlässigen. ML wird im Ingenieurwesen umfassend eingesetzt, um komplexe Probleme zu lösen und dabei hohe Genauigkeit sowie Effizienz zu gewährleisten. Dennoch ist es anfällig für Sicherheitsrisiken wie Datenmanipulation und Logikvergiftung. BT, bekannt für seine Dezentralisierung, Transparenz und Unveränderlichkeit, wurde als Mittel zum Schutz technischer Daten erforscht. Trotz dieser Bemühungen bleiben traditionelle ML-Workflows anfällig für Off-Chain-Schwachstellen, da ML-Modelle meist außerhalb der Blockchain ausgeführt werden. Das MLOB-Rahmenwerk adressiert diese Problematik, indem es sowohl Daten als auch Berechnungen in die Blockchain integriert, diese als Smart Contracts ausführt und Ausführungsprotokolle sichert. Es besteht aus vier zentralen Komponenten: ML-Erfassung, bei der ein ML-Modell für eine bestimmte Aufgabe trainiert wird; ML-Konversion, die das trainierte Modell für den Einsatz auf der Blockchain anpasst; ML-sichere Ladung, die die Sicherheit bei Daten- und Modelltransfer gewährleistet; sowie eine konsensbasierte ML-Modell-Ausführung, die Korrektheit und Sicherheit der rechnerischen Prozesse sicherstellt. Zur Demonstration der Effektivität von MLOB entwickelten die Forscher einen Prototypen und setzten ihn in der Überwachung des Innenausbaus ein. Sie bewerteten das Rahmenwerk im Vergleich zu drei Basisverfahren und zwei aktuellen Ansätzen der ML-BT-Integration.

Die Ergebnisse zeigten, dass MLOB die Sicherheit deutlich verbesserte und erfolgreich sechs vordefinierte Angriffszenarien abwehrte. Es bewahrte eine hohe Genauigkeit, mit nur einer minimalen Differenz von 0, 001 im Durchschnittsintersektion-über-Union (MIoU) im Vergleich zum besten Basisverfahren. Obwohl die Effizienz leicht reduziert wurde, mit einer Latenzsteigerung von 0, 231 Sekunden im Vergleich zum schnellsten Basismodell, entsprach die Gesamtleistung dennoch den Anforderungen der Industrie. Darüber hinaus besitzt das MLOB-Rahmenwerk auch eine Managementrelevanz. Es motiviert Organisationen, Innovation voranzutreiben, indem sie modernste Technologien einsetzen, und fördert so wettbewerbsfähigere technische Prozesse. Es trägt zudem dazu bei, Risiken im Zusammenhang mit Daten- und Logikschutz zu minimieren, was die Ressourcenzuweisung optimiert und die wirtschaftliche Resilienz stärkt. Dennoch weist das Rahmenwerk Grenzen auf, darunter eine eingeschränkte Unterstützung latenzempfindlicher Anwendungen und das Fehlen einer benutzerfreundlichen Oberfläche. Zukünftige Arbeiten werden sich auf die Steigerung der Effizienz und die Entwicklung einer zugänglicheren Schnittstelle konzentrieren, um die Benutzerfreundlichkeit zu verbessern und die Anwendung von MLOB in technischen Berechnungen weiter zu erweitern.