Viimeaikainen tutkimus, joka julkaistiin Engineering-lehdessä, esittelee innovatiivisen kehyksen, joka yhdistää koneoppimisen (ML) ja lohkoket技术n (BT) parantaakseen laskennallista turvallisuutta insinöörisovelluksissa. Tämä kehys, nimeltään Machine Learning on Blockchain (MLOB), pyrkii korjaamaan nykyisten ML-BT-integraatiomenetelmien puutteita, jotka keskittyvät pääasiassa datan turvallisuuteen ja jättävät laskennallisen turvallisuuden huomiotta. ML:tä käytetään laajasti insinööritieteissä monimutkaisten ongelmien ratkaisemiseen, tarjoten korkean tarkkuuden ja tehokkuuden. Silti siihen liittyy turvallisuusuhkia, kuten datan manipulointi ja logiikan korruptio. BT:tä, jonka tunnettuja piirteitä ovat hajauttaminen, läpinäkyvyys ja muuttumattomuus, on tutkittu keinona suojata insinööridatoja. Huolimatta tästä, perinteiset ML-työnkulut ovat edelleen alttiita off-chain-heikkouksille, koska ML-mallit yleensä suoritetaan lohkoketjun ulkopuolella. MLOB-kehys ratkaisee tämän upottamalla sekä datan että laskennan lohkoketjuun, suorittamalla ne älysopimuksina ja suojaten suoritustyhjenteet. Se koostuu neljästä keskeisestä osasta: ML-hankinta, jossa koulutetaan ML-malli tiettyä tehtävää varten; ML-muuntaminen, joka muuntaa koulutetun mallin lohkoketjuun käyttöönottoa varten; ML-turvallinen lataus, jolla varmistetaan datan ja mallin siirron turvallisuus; ja konsensuspohjainen ML-mallin suorittaminen, mikä varmistaa laskentaprosessien oikeellisuuden ja turvallisuuden. Demottaakseen MLOB:n tehokkuutta, tutkijat rakensivat prototyypin ja sovelsivat sitä sisäilman rakennustyön edistymisen seurannassa. He arvioivat kehystä kolmen vertailumenetelmän ja kahden hiljattain kehitetyn ML-BT-yhdistelmäratkaisun rinnalla.

Tulokset osoittivat, että MLOB paransi turvallisuutta merkittävästi ja torjui menestyksekkäästi kuusi ennalta määriteltyä hyökkäysskenaariota. Se säilytti korkean tarkkuuden, ja vain minimaalinen 0, 001:n erotus keskimääräisessä leikkaus Yhteenliittäminen Unionin (MIoU) -arvossa verrattuna parhaimpaan vertailumenetelmään. Vaikka tehokkuus hieman heikkeni, latenssin kasvaessa 0, 231 sekuntia nopeimmasta vertailumallista, kokonaisvaltainen suorituskyky vastasi edelleen teollisuuden vaatimuksia. Lisäksi MLOB-kehys on merkityksellinen myös johtamisen kannalta. Se kannustaa organisaatioita innovointiin omaksumalla huipputeknologioita ja luomalla kilpailukykyisempiä insinööriprosesseja. Se myös vähentää datan ja logiikan turvallisuuteen liittyviä riskejä, mikä auttaa optimoimaan resurssien kohdentamista ja vahvistamaan taloudellista kestävyyttä. Kuitenkin kehys kohtaa rajoituksia, kuten rajoitetun tuen latenssia vaativille sovelluksille ja puuttuvan käyttäjäystävällisen käyttöliittymän. Tulevassa tutkimuksessa pyritään parantamaan tehokkuutta ja kehittämään helpomutaan käyttöliittymää, jotta parannetaan MLOB:n käytettävyyttä ja laajennetaan sen sovellusaluetta insinöörilaskennassa.