Egy nemrégiben megjelent tanulmány az Engineering folyóiratban bemutat egy innovatív keretrendszert, amely a gépi tanulást (ML) és a blokk lánc technológiát (BT) integrálja az mérnöki alkalmazások számítási biztonságának javítása érdekében. Ezt a keretrendszert Machine Learning on Blockchain (MLOB) néven nevezik, és célja, hogy felülmúlja a jelenlegi ML-BT integrációs módszerek hiányosságait, amelyek főként az adatok biztonságával foglalkoznak, miközben figyelmen kívül hagyják a számítási biztonság kérdését. A ML széles körben alkalmazott az mérnöki területen összetett problémák megoldására, magas pontosságot és hatékonyságot biztosítva. Azonban sebezhető a biztonsági fenyegetésekkel, például adathamisítással és logikai hibákkal szemben. A BT, amely decentralizációjáról, átláthatóságáról és megváltoztathatatlanságáról ismert, kutatások tárgya volt az mérnöki adatok védelmében. Ennek ellenére a hagyományos ML munkafolyamatok továbbra is kitéve off-chain sebezhetőségeknek, mivel az ML modelleket általában a blockchain környezetén kívül futtatják. A MLOB keretrendszer ennek megoldására úgy reagál, hogy mind az adatokat, mind a számításokat a blokkláncba építi, ahol okosszerződésekként futtatja őket, és biztonságos naplókat vezet a végrehajtásról. Négy kulcsfontosságú összetevőből áll: ML szerzés, ahol egy ML modellt egy kijelölt feladatra tanítanak; ML átalakítás, amely a betanított modellt módosítja a blokkláncra való telepítéshez; ML biztonságos betöltése, amely védi az adatok és a modell transzferjének biztonságát; valamint a konszenzus alapú ML modell futtatás, amely garantálja a számítási folyamatok helyességét és biztonságát. Az MLOB hatékonyságának demonstrálására a kutatók egy prototípust építettek, és alkalmazták beltéri építési folyamat nyomon követésére. A keretrendszert három kiindulási módszerrel és két legújabb ML-BT integrált megközelítéssel hasonlították össze.

Az eredmények szerint az MLOB jelentősen növelte a biztonságot, hat sikeres támadási forgatókönyvet hatástalanított. Magas pontosságát hosszú távon megőrizte, átlagos metszet fölött osztozva (MIoU) mindössze 0, 001-es különbséggel a legjobb kiindulási módszerhez képest. Bár a hatékonyság kissé csökkent, a késleltetés mindössze 0, 231 másodperccel nőtt a leggyorsabb kiindulási módszerhez képest, a teljesítmény még mindig megfelelt az ipari elvárásoknak. Ezenkívül az MLOB keretrendszer menedzsment szempontból is jelentőségteljes. Serkenti a szervezetek innovációra való törekvését az élvonalbeli technológiák alkalmazásával, ezáltal versenyképesebb mérnöki folyamatokat ösztönözve. Emellett csökkenti az adatokkal és logikával kapcsolatos biztonsági kockázatokat, ami segíti az erőforrások hatékonyabb elosztását és gazdasági ellenálló képesség növelését. Mindazonáltal a keretrendszernek vannak korlátai, többek között a késleltetésérzékeny alkalmazások támogatásának korlátozottsága és a felhasználóbarát felület hiánya. A jövőben a kutatások arra irányulnak, hogy növeljék a hatékonyságot és kifejlesszenek egy könnyen használhatóbb felületet, ezáltal javítva a felhasználhatóságot és szélesebb körben alkalmazhatóvá téve az MLOB-t mérnöki számításokban.