최근 엔지니어링 분야에 게재된 연구에 따르면, 기계 학습(ML)과 블록체인 기술(BT)을 통합한 혁신적인 프레임워크가 제시되었으며, 이는 공학 응용 분야에서 계산 보안을 향상시키기 위한 것이다. 이 프레임워크는 ‘머신 러닝 온 블록체인(MLOB)’이라고 불리며, 현재의 ML-BT 통합 방식이 주로 데이터 보안에 집중하고 계산 보안을 간과하는 단점을 극복하려고 한다. ML은 복잡한 문제 해결에 널리 활용되며 높은 정확도와 효율성을 제공하지만, 데이터 변조나 논리적 오류와 같은 보안 위협에 취약하다. 블록체인은 탈중앙화, 투명성, 불변성을 바탕으로 엔지니어링 데이터를 보호하는 수단으로 연구되어 왔으나, 기존 ML 작업은 대부분 블록체인 밖에서 수행되어 오프체인 취약점에 노출되어 있다. 이에 MLOB 프레임워크는 데이터와 연산 모두를 블록체인 내에 내장하여, 스마트 계약으로 실행하며 실행 기록을 보안하는 방식을 채택한다. 이 프레임워크는 네 가지 핵심 구성 요소로 이루어져 있다: ML 획득(지정된 작업에 맞는 ML 모델을 훈련), ML 변환(훈련된 모델을 블록체인에 배포하기 위한 수정), ML 안전 적재(데이터와 모델 전송 시 보안 유지), 그리고 합의 기반 ML 모델 실행(계산 과정의 정확성과 안전성 보장). 연구진은 MLOB의 효율성을 검증하기 위해 프로토타입을 구축하고 실내 건설 진행 상황을 모니터링하는 데 적용하였다. 세 가지 기준선 방법과 두 가지 최신 ML-BT 통합 방식을 비교 평가했으며, 그 결과 MLOB는 보안을 크게 강화하여 여섯 가지 사전 정의된 공격 시나리오를 성공적으로 차단하였다.

또한, 최고 성능 기준선과 비교했을 때 MIoU(평균 교차 영역면적 비율)가 단 0. 001 차이로 높은 정확도를 유지하였다. 효율성 측면에서는 약간 감소하여 가장 빠른 기준선보다 지연 시간은 0. 231초 증가하였으나, 전체 성능은 산업 실무의 요구조건에 부합했다. 더불어, MLOB 프레임워크는 경영적 측면에서도 의미가 크다. 혁신적인 기술 채택을 통해 조직의 경쟁력을 높이고, 엔지니어링 프로세스의 혁신을 촉진하며, 데이터와 논리 보안에 관련된 위험을 낮춰 자원 배분 최적화와 경제적 회복력 강화를 도모한다. 하지만 프레임워크에는 제한점도 존재한다. 특히 지연 시간에 민감한 응용에 대한 지원이 제한적이며, 사용자 친화적 인터페이스가 부재하다. 향후 연구는 효율성을 향상시키고, 사용성을 높이며, MLOB이 엔지니어링 계산 분야에 폭넓게 적용될 수 있도록 하는 데 주력할 예정이다.