Neseniai paskelbtoje inžinerijos srityje studijoje pristatomas inovatyvus pagrindas, integruojantis mašininio mokymosi (MM) ir blokų grandinės technologiją (BG), siekiant pagerinti skaičiavimo saugumą inžinerinėse taikomosiose srityse. Šis pagrindas, vadinamas Mašininis mokymasis blokų grandinėje (MMBG), siekia įveikti dabartinių MM-BG integracijos metodų trūkumus, kurie daugiausia dėmesio skiria duomenų saugumui, o ne skaičiavimo saugumui. MM plačiai naudojamas inžinerijoje sprendžiant sudėtingus uždavinius, užtikrinant aukštą tikslumą ir efektyvumą. Vis dėlto, jis yra pažeidžiamas saugumo grėsmių, tokių kaip duomenų keitimas ar logikos korupcija. BG, žinoma dėl savo decentralizacijos, skaidrumo ir nekintamumo, buvo tiriama kaip būdas apsaugoti inžinerinius duomenis. Nepaisant to, tradiciniai MM darbo eiga lieka pažeidžiami už blockchain ribų, nes MM modeliai dažnai vykdomi nepriklausomai nuo blockchain aplinkos. MBBG pagrindas sprendžia šią problemą įkurdamas tiek duomenis, tiek skaičiavimus blockchain tinkle, juos vykdant kaip išmaniuosius kontraktus ir apsaugant vykdymo žurnalus. Jis susideda iš keturių pagrindinių komponentų: MM įsigijimo, kur treniruojamas MM modelis konkrečiam uždaviniui; MM konvertavimo, kuriame paruoštas modelis diegimui blockchain tinkle; MM saugaus įkėlimo, apimančio duomenų ir modelio siuntimo saugumą; ir susitarimų pagrindu veikiančio MM modelio vykdymo, užtikrinančio skaičiavimo proceso teisingumą ir saugumą. Siekiant įrodyti MBBG efektyvumą, mokslininkai sukūrė prototipą ir taikė jį stebėti vidaus statybų pažangą. Jie įvertino pagrindą prieš tris pagrindinius metodus ir du neseniai įgyvendintus MM-BG integracijos būdus.

Rezultatai parodė, kad MBBG žymiai pagerino saugumą, sėkmingai įveikdamas šešis iš anksto apibrėžtus atakų scenarijus. Jis išlaikė aukštą tikslumą, skirtumas tarp vidutinio susikirtimo ir sąlyčio (MSS) ir jungimo (MIoU) buvo minimalus – tik 0, 001, palyginti su geriausiu pagrindiniu metodu. Nors efektyvumas šiek tiek sumažėjo, kai buvo fiksuotas 0, 231 sekundės ilgesnis delsimas, jis vis dar atitiko pramonės poreikius. Be to, MBBG pagrindas turi vadybinę reikšmę. Jis skatina organizacijas diegti pažangias technologijas, skatindamas inovacijas ir konkurencingumą inžinerijos procesuose. Taip pat jis sumažina duomenų ir logikos saugumo riziką, padeda optimizuoti išteklių paskirstymą ir stiprina ekonominį atsparumą. Tačiau pagrindas turi ir trūkumų, įskaitant ribotą palaikymą laiko jautrioms taikomosiose srityse ir neturint lengvai naudojamos sąsajos. Būsimi tyrimai sieks pagerinti efektyvumą ir sukurti patogesnę naudotojo sąsają, kad būtų pagerinta naudotojo patirtis ir plėtojamas MBBG taikymas inžinerijos skaičiavimuose.