Kajian terkini yang diterbitkan dalam bidang Kejuruteraan memperkenalkan satu rangka kerja inovatif yang mengintegrasikan pembelajaran mesin (ML) dan teknologi blockchain (BT) untuk meningkatkan keselamatan pengiraan dalam aplikasi kejuruteraan. Rangka kerja ini, yang dipanggil Pembelajaran Mesin di atas Blockchain (MLOB), bertujuan untuk mengatasi kekurangan kaedah integrasi ML-BT semasa, yang kebanyakan memberi tumpuan kepada keselamatan data sambil mengabaikan keselamatan pengiraan. ML digunakan secara meluas dalam kejuruteraan untuk menyelesaikan masalah yang kompleks, menawarkan ketepatan dan kecekapan yang tinggi. Walau bagaimanapun, ia terdedah kepada ancaman keselamatan seperti penipuan data dan kerosakan logik. BT, yang terkenal dengan ciri desentralisasi, ketelusan dan ketahanan kepada perubahan, telah dikaji sebagai satu cara untuk melindungi data kejuruteraan. Namun, aliran kerja ML tradisional kekal terdedah kepada kelemahan di luar rantaian (off-chain), kerana model ML biasanya dijalankan di luar persekitaran blockchain. Rangka kerja MLOB menangani isu ini dengan menyepadukan data dan pengiraan di dalam blockchain, melaksanakan mereka sebagai kontrak pintar dan mengamankan log pelaksanaan. Ia terdiri daripada empat komponen utama: pemerolehan ML, di mana sebuah model ML dilatih untuk tugas tertentu; penukaran ML, yang mengubahsuai model yang dilatih untuk digunakan dalam blockchain; pemuatan selamat ML, yang melindungi keselamatan pemindahan data dan model; dan pelaksanaan model ML berasaskan konsensus, memastikan ketepatan dan keselamatan proses pengiraan. Untuk menunjukkan keberkesanan MLOB, pembangun kajian membina satu prototaip dan menggunakannya untuk memantau kemajuan pembinaan di dalam bangunan. Mereka menilai rangka kerja ini berbanding tiga kaedah asas dan dua pendekatan integrasi ML-BT yang terkini.

Penemuan menunjukkan bahawa MLOB mempertingkatkan keselamatan secara ketara, berjaya menghalang enam senario serangan yang telah ditetapkan. Ia mengekalkan ketepatan yang tinggi, dengan hanya perbezaan minimum sebanyak 0. 001 dalam jarak pengintergrasian purata (MIoU) berbanding kaedah asas yang terbaik. Walaupun kecekapan sedikit berkurang, dengan peningkatan latensi sebanyak 0. 231 saat berbanding kaedah asas terpantas, prestasinya secara keseluruhan tetap sejajar dengan keperluan industri. Selain itu, rangka kerja MLOB mempunyai makna pengurusan yang penting. Ia memberi dorongan kepada organisasi untuk menerapkan inovasi melalui penggunaan teknologi terkini, seterusnya memupuk proses kejuruteraan yang lebih kompetitif. Ia juga membantu mengurangkan risiko berkaitan keselamatan data dan logik, yang seterusnya mengoptimumkan pengagihan sumber dan meningkatkan ketahanan ekonomi. Walau bagaimanapun, rangka kerja ini mempunyai keterbatasan, termasuk sokongan yang terhad untuk aplikasi yang peka terhadap latensi dan ketiadaan antara muka pengguna yang mesra pengguna. Kerja-kerja akan datang bertujuan untuk meningkatkan kecekapan dan membangunkan antara muka yang lebih mudah diakses untuk memperbaiki kebolehgunaan dan meluaskan aplikasi MLOB dalam pengiraan kejuruteraan.