Hiljutine uuring, mis on avaldatud ajakirjas Engineering, tutvustab uuenduslikku raamistikku, mis ühendab masinõppe (ML) ja plokiahela tehnoloogia (BT), et parandada arvutuslikku turvalisust insenerirakendustes. Seda raamistikku nimetatakse Machine Learning on Blockchain (MLOB) ning selle eesmärk on ületada praeguste ML-BT integratsiooni meetodite puudused, mis keskenduvad peamiselt andmeturvale ning jätavad tähelepanuta arvutusliku turvalisuse. ML-i kasutatakse inseneriteadustes laialdaselt keeruliste probleemide lahendamiseks, pakkudes kõrget täpsust ja tõhusust. Siiski on selle vastuvõtlik turvaohtudele nagu andmete manipuleerimine ja loogika rikkumine. BT, mida tuntakse oma detsentraliseerimise, läbipaistvuse ja muutumatuse poolest, on uuritud insenerandmete kaitsmise võimalusena. Sellele vaatamata jäävad traditsioonilised ML-töökohad aluseks olevate riskide kaitsmata, kuna ML-mudeleid tavaliselt käivitatakse väljaspool plokiahelat. MLOB raamistik käsitleb seda, sisestades ning andmed ja arvutused plokiahelasse, kus neid töödeldakse nutikate lepingutena ning tagatakse täitmise logide turvalisus. See koosneb neljast peamisest komponendist: ML kogumine, mille käigus treenitakse kindlale ülesandele sobiv ML-mudel; ML konverteerimine, mis muudab treenitud mudeli plokiahelas kasutamiseks sobivaks; ML ohutu laadimine, mis kaitseb andmete ja mudeli edastamise turvalisust; ning konsensusil põhinev ML-mudelitegevus, mis tagab arvutuste õigsuse ja ohutuse. MLOB tõhusust näitlikustasid uurijad prototüübi loomiseks ning selle rakendamiseks siseruumi ehitustööde jälgimiseks. Nad hindasid raamistikku kolme baasmeetodi ja kahe hiljutise ML-BT ühildamise lähenemise vastu.

Tulemustest ilmnes, et MLOB märkimisväärselt suurendas turvalisust, edukalt tõrjudes kuus eelmääratletud rünnakunäidet. See säilitas kõrge täpsuse, minimaalne 0, 001 erinevus keskmise ristamise üle võidu (MIoU) näitajas võrreldes parima baasmeetodiga. Kuigi tõhusus oli veidi langenud, mis näitas 0, 231-sekundilist latentsusaega kiiruse poolest kiireima baasmeetodiga võrreldes, vastas selle üldine jõudlus endiselt tööstuslikele nõuetele. Lisaks omab MLOB raamistik juhtorganite jaoks ka strateegilist tähtsust. See innustab organisatsioone innovatsiooni edendama, kasutades tipptasemel tehnoloogiaid ning soodustades konkurentsivõimelisemaid inseneriprotsesse. Samuti aitab see vähendada andmete ja loogika turvaohte, mis toetab ressursside optimeerimist ning majandusliku vastupanuvõime suurendamist. Küll aga on raamistikul ka piiranguid, sealhulgas piiratud toetust latentsusaega tundlikele rakendustele ning kasutajasõbraliku liidese puudumine. Tuleviku uuringud on suunatud tõhususe tõstmisele ning kasutajasõbraliku kasutajaliidese arendamisele, et parandada kasutusmugavust ning laiendada MLOB rakendusi insenerarvutustes.