Een recente studie gepubliceerd in Engineering introduceert een innovatief raamwerk dat machine learning (ML) en blockchain-technologie (BT) integreert om de computationele beveiliging in technische toepassingen te verbeteren. Dit raamwerk, genaamd Machine Learning on Blockchain (MLOB), probeert de nadelen van huidige methoden voor ML-BT-integratie te overwinnen, die zich vooral richten op gegevensbeveiliging en de computationele beveiliging verwaarlozen. ML wordt intensief gebruikt in de techniek voor het oplossen van complexe problemen, waardoor hoge nauwkeurigheid en efficiëntie worden bereikt. Toch is het vatbaar voor beveiligingsrisico’s zoals gegevensmanipulatie en logica-corruptie. BT, bekend om zijn decentralisatie, transparantie en onveranderlijkheid, is onderzocht als middel om technische gegevens te beschermen. Desalniettemin blijven traditionele ML-workflows blootstaan aan off-chain kwetsbaarheden, omdat ML-modellen meestal buiten de blockchain worden uitgevoerd. Het MLOB-raamwerk pakt dit aan door zowel gegevens als berekeningen binnen de blockchain te integreren, waar ze als slimme contracten worden uitgevoerd en uitvoeringslogs worden beveiligd. Het bestaat uit vier kerncomponenten: ML-acquisitie, waarbij een ML-model wordt getraind voor een specifieke taak; ML-omzetting, die het getrainde model aanpast voor implementatie op de blockchain; ML-beveiligde laden, dat de beveiliging van gegevens- en modeloverdracht waarborgt; en consensus-gebaseerde ML-modeluitvoering, die de correctheid en veiligheid van de computationele processen garandeert. Om de effectiviteit van MLOB aan te tonen, bouwden de onderzoekers een prototype en pasten dit toe om de voortgang van binnenskamers bouwprojecten te monitoren. Ze evalueerden het raamwerk tegen drie baseline-methoden en twee recente ML-BT-gescoorde benaderingen.

De bevindingen toonden aan dat MLOB de beveiliging aanzienlijk verbeterde door zes vooraf gedefinieerde aanvalsscenario’s succesvol te voorkomen. Het handhaafde een hoge nauwkeurigheid, met slechts een minimale verschil van 0, 001 in de gemiddelde intersection over union (MIoU) vergeleken met de best presterende baseline. Hoewel de efficiëntie iets afnam, met een toename van 0, 231 seconden in latentie ten opzichte van de snelste baseline, bleef de algehele prestaties voldoen aan de eisen van industriële praktijk. Daarnaast heeft het MLOB-raamwerk ook managementrelevantie. Het motiveert organisaties om te innoveren door geavanceerde technologieën te adopteren, waardoor meer competitieve technische processen worden gestimuleerd. Het vermindert ook de risico’s verbonden aan gegevens- en logica-beveiliging, wat helpt bij het optimaliseren van de resource-allocatie en het versterken van economische veerkracht. Toch kent het raamwerk ook beperkingen, zoals de beperkte ondersteuning voor latency-gevoelige toepassingen en het ontbreken van een gebruiksvriendelijke interface. Toekomstig onderzoek zal gericht zijn op het verbeteren van de efficiëntie en het ontwikkelen van een meer toegankelijke interface om de gebruiksvriendelijkheid te vergroten en de toepassing van MLOB in technische berekeningen uit te breiden.