Μια πρόσφατη μελέτη που δημοσιεύτηκε στο Engineering παρουσιάζει ένα καινοτόμο πλαίσιο που ενσωματώνει την μηχανική μάθηση (ML) και την τεχνολογία blockchain (BT) για τη βελτίωση της υπολογιστικής ασφάλειας στις εφαρμογές μηχανικής. Αυτό το πλαίσιο, με την ονομασία Machine Learning on Blockchain (MLOB), αποσκοπεί να ξεπεράσει τις αδυναμίες των σημερινών μεθόδων ενσωμάτωσης ML-BT, οι οποίες εστιάζουν κυρίως στην ασφάλεια των δεδομένων, παραλείποντας την υπολογιστική ασφάλεια. Η ML χρησιμοποιείται εκτενώς στη μηχανική για την επίλυση πολύπλοκων προβλημάτων, παρέχοντας υψηλή ακρίβεια και αποδοτικότητα. Ωστόσο, η ML είναι ευάλωτη σε απειλές ασφαλείας, όπως η παραποίηση δεδομένων και η παραβίαση λογικής. Η BT, γνωστή για την αποκεντρωμένη φύση, τη διαφάνεια και την αμετάβλητη φύση της, έχει μελετηθεί ως μέσο προστασίας των μηχανικών δεδομένων. Παρ’ όλα αυτά, οι παραδοσιακές ροές εργασίας της ML συνεχίζουν να είναι ευάλωτες σε εξω-αλυσίδες ευπάθειες, καθώς τα μοντέλα ML γενικά εκτελούνται εκτός του περιβάλλοντος blockchain. Το πλαίσιο MLOB αντιμετωπίζει αυτό το ζήτημα ενσωματώνοντας τόσο τα δεδομένα όσο και τους υπολογισμούς μέσα στο blockchain, τα οποία τρέχουν ως έξυπνα συμβόλαια και διασφαλίζουν τα αρχεία εκτέλεσης. Αποτελείται από τέσσερα βασικά στοιχεία: την απόκτηση ML, όπου εκπαιδεύεται ένα μοντέλο ML για μια συγκεκριμένη εργασία· τη μετατροπή ML, η οποία τροποποιεί το εκπαιδευμένο μοντέλο για ανάπτυξη στο blockchain· την ασφαλή φόρτωση ML, που προστατεύει την ασφάλεια της μεταφοράς δεδομένων και μοντέλου· και την εκτέλεση μοντέλων ML βασιζόμενη σε συναίνεση, που διασφαλίζει την ορθότητα και την ασφάλεια των υπολογιστικών διεργασιών. Για να αποδείξουν την αποτελεσματικότητα του MLOB, οι ερευνητές κατασκεύασαν ένα πρωτότυπο και το συνέδεσαν με την παρακολούθηση της προόδου σε εσωτερική κατασκευή. Αξιολόγησαν το πλαίσιο σε σύγκριση με τρεις βασικές μεθόδους και δύο πρόσφατες προσεγγίσεις ενσωμάτωσης ML-BT.

Τα αποτελέσματα αποκάλυψαν ότι το MLOB βελτίωσε σημαντικά την ασφάλεια, αποτρέποντας με επιτυχία έξι προκαθορισμένα σενάρια επίθεσης. Διατήρησε υψηλή ακρίβεια, με μια ελάχιστη διαφορά 0, 001 στη μέση διασταύρωση σε διχοτομία (MIoU) σε σύγκριση με την κορυφαία βασική μέθοδο. Αν και η αποδοτικότητα μειώθηκε ελαφρά, παρουσιάζοντας αύξηση καθυστέρησης 0, 231 δευτερολέπτων σε σχέση με την πιο γρήγορη βασική, η συνολική απόδοση εξακολουθεί να ανταποκρίνεται στις απαιτήσεις των βιομηχανικών πρακτικών. Επιπλέον, το πλαίσιο MLOB έχει και διαχειριστική σημασία. Παρακινεί τους οργανισμούς να καινοτομήσουν υιοθετώντας προηγμένες τεχνολογίες, προάγοντας πιο ανταγωνιστικές διαδικασίες μηχανικής. Επίσης, μετριάζει τους κινδύνους που σχετίζονται με την ασφάλεια δεδομένων και λογικής, βοηθώντας στη βελτιστοποίηση της κατανομή πόρων και στην ενίσχυση της οικονομικής ανθεκτικότητας. Ωστόσο, το πλαίσιο έχει περιορισμούς, όπως η περιορισμένη υποστήριξη για εφαρμογές ευαίσθητες στη λανθασμένη καθυστέρηση και η έλλειψη φιλικής προς τον χρήστη διεπαφής. Το μελλοντικό έργο θα επικεντρωθεί στη βελτίωση της αποδοτικότητας και στην ανάπτυξη μιας πιο προσιτής διεπαφής για να βελτιώσει τη χρηστικότητα και να διευρύνει την εφαρμογή του MLOB στους υπολογισμούς μηχανικής.