Uno studio recente pubblicato in Engineering introduce un quadro innovativo che integra il machine learning (ML) e la tecnologia blockchain (BT) per migliorare la sicurezza computazionale nelle applicazioni ingegneristiche. Questo quadro, chiamato Machine Learning on Blockchain (MLOB), cerca di superare le carenze dei metodi attuali di integrazione ML-BT, che si concentrano principalmente sulla sicurezza dei dati trascurando quella computazionale. Il ML viene ampiamente utilizzato in ingegneria per risolvere problemi complessi, offrendo alta precisione ed efficienza. Tuttavia, è vulnerabile a minacce di sicurezza come manomissione dei dati e corruzione della logica. La BT, nota per la sua decentralizzazione, trasparenza e immutabilità, è stata studiata come mezzo per proteggere i dati ingegneristici. Nonostante ciò, i flussi di lavoro tradizionali di ML rimangono esposti a vulnerabilità off-chain, poiché i modelli di ML vengono solitamente eseguiti al di fuori dell'ambiente blockchain. Il quadro MLOB affronta questa problematica integrando sia i dati che il calcolo all'interno della blockchain, eseguendoli come smart contract e garantendo la sicurezza dei log di esecuzione. Comprende quattro componenti chiave: acquisizione ML, in cui viene addestrato un modello ML per un compito specifico; conversione ML, che modifica il modello addestrato per il deployment sulla blockchain; caricamento sicuro ML, che protegge la sicurezza del trasferimento di dati e modello; ed esecuzione del modello ML basata su consenso, che assicura la correttezza e la sicurezza dei processi computazionali. Per dimostrare l’efficacia di MLOB, i ricercatori hanno realizzato un prototipo e lo hanno applicato per monitorare l’avanzamento della costruzione al chiuso. Hanno valutato il quadro rispetto a tre metodi di riferimento e due approcci recenti di integrazione ML-BT.

I risultati hanno mostrato che MLOB ha migliorato notevolmente la sicurezza, riuscendo a contrastare con successo sei scenari di attacco predefiniti. Ha mantenuto un’alta precisione, con una differenza minima di 0, 001 in media di intersection over union (MIoU) rispetto al miglior metodo di riferimento. Sebbene l’efficienza sia leggermente diminuita, con un aumento di latenza di circa 0, 231 secondi rispetto al metodo più rapido, le prestazioni complessive sono comunque in linea con le esigenze delle pratiche industriali. Inoltre, il quadro MLOB riveste un’importanza gestionale. stimola le organizzazioni a innovare adottando tecnologie all’avanguardia, favorendo processi ingegneristici più competitivi. Aiuta anche a ridurre i rischi legati alla sicurezza di dati e logica, contribuendo a ottimizzare l’allocazione delle risorse e a rafforzare la resilienza economica. Tuttavia, il quadro presenta alcune limitazioni, tra cui un supporto limitato alle applicazioni sensibili alla latenza e l’assenza di un’interfaccia utente intuitiva. I lavori futuri mireranno a migliorare l’efficienza e a sviluppare un’interfaccia più accessibile per migliorare l’usabilità e ampliare le applicazioni di MLOB nelle computazioni ingegneristiche.