Nedavno istraživanje objavljeno u časopisu Engineering predstavlja inovativni okvir koji integrira strojno učenje (ML) i tehnologiju blockchain (BT) kako bi poboljšao računalnu sigurnost u inženjerskim primjenama. Ovaj okvir, nazvan Strojno učenje na blockchainu (MLOB), nastoji prevladati nedostatke trenutnih metoda integracije ML-BT, koje se uglavnom fokusiraju na sigurnost podataka, zaboravljajući računalnu sigurnost. ML se široko koristi u inženjerstvu za rješavanje složenih problema, pružajući visoku točnost i učinkovitost. Međutim, podložan je sigurnosnim prijetnjama poput manipulacije podacima i defektom logike. BT, poznat po svojoj decentralizaciji, transparentnosti i nemjenjivosti, istraživan je kao sredstvo zaštite inženjerskih podataka. Unatoč tome, tradicionalni ML tokovi rada i dalje su izloženi vanjskim ranjivostima, jer se ML modeli obično izvode izvan okruženja blockchaina. Okvir MLOB rješava to ugrađivanjem i podataka i računalnih procesa unutar blockchaina, pokrećući ih kao pametne ugovore i osiguravajući evidenciju izvršenja. Sastoji se od četiri ključne komponente: nabava ML-a, gdje se trenira ML model za određeni zadatak; konverzija ML-a, koja modificira trenirani model za implementaciju na blockchainu; sigurno učitavanje ML-a, koje štiti sigurnost prijenosa podataka i modela; te izvršenje ML modela temeljem konsenzusa, osiguravajući točnost i sigurnost računalnih procesa. Za demonstraciju učinkovitosti MLOB-a, istraživači su izgradili prototip i primijenili ga na praćenje napretka u unutarnjoj gradnji. Ocijenili su okvir u usporedbi s tri osnovne metode i dvjema recentnim pristupima koji integriraju ML i BT.

Rezultati su pokazali da MLOB znatno poboljšava sigurnost, uspješno otklanjavajući šest unaprijed definiranih scenarija napada. Očuvao je visoku točnost, s minimalnom razlikom od 0, 001 u srednjem preklapanju na razini jednadžbe (MIoU) u odnosu na najbolje osnovne metode. Učinkovitost je relativno nešto smanjena, jer je zabilježen porast latencije od 0, 231 sekundu u odnosu na najbržu osnovnu metodu, ali cijeli rad i dalje zadovoljava zahtjeve industrijskih praksi. Dodatno, okvir MLOB ima i menadžersko značenje. Potiče organizacije na inovacije usvajanjem najnovijih tehnologija, čime se potiču konkurentniji inženjerski procesi. Također, smanjuje rizike povezane s sigurnošću podataka i logike, što pomaže u optimizaciji rasporeda resursa i jačanju ekonomske otpornosti. Ipak, okvir ima određena ograničenja, uključujući ograničenu podršku za aplikacije koje zahtijevaju nisku latenciju i nedostatak jednostavnog sučelja za korisnike. Budući radovi usmjerit će se na poboljšanje učinkovitosti i razvoj pristupačnijeg sučelja radi bolje uporabljivosti i širenja primjene MLOB-a u računalnim inženjerskim zadacima.