En nylig studie publisert i Engineering introduserer et innovativt rammeverk som integrerer maskinlæring (ML) og blockchain-teknologi (BT) for å forbedre datamaskinens sikkerhet i ingeniørsammenheng. Dette rammeverket, kalt Machine Learning on Blockchain (MLOB), søker å overvinne svakhetene til dagens ML-BT-integrasjonsmetoder, som hovedsakelig fokuserer på datasikkerhet mens de neglisjerer beregningsmessig sikkerhet. ML brukes i stor grad innen ingeniørfag for å løse komplekse problemer, og gir høy nøyaktighet og effektivitet. Likevel er det utsatt for sikkerhetstrusler som datamanipulering og logikkfeil. BT, kjent for sin desentralisering, åpenhet og uforanderlighet, har blitt undersøkt som etMeans to protect engineering data. Til tross for dette forblir tradisjonelle ML-arbeidsflyter utsatt for sårbarheter utenfor kjernen, ettersom ML-modeller vanligvis kjøres utenfor blokkjedemiljøet. MLOB-rammeverket adresserer dette ved å integrere både data og beregning innenfor blockchainen, og kjøre dem som smarte kontrakter og sikre kjørelogger. Det består av fire nøkkelkomponenter: ML-innhenting, hvor en ML-modell trenes for en bestemt oppgave; ML-omforming, som endrer den trente modellen for distribusjon på blockchainen; ML-sikker lasting, som beskytter sikkerheten ved overføring av data og modell; og konsensusbasert kjøring av ML-modellen, som sikrer korrekthet og sikkerhet i beregningsprosessene. For å demonstrere MLOBs effektivitet utviklet forskerne en prototype og brukte den til å overvåke innendørsbygningsfremdrift. De evaluerte rammeverket mot tre baseline-metoder og to nyere integrerte ML-BT-tilnærminger.

Resultatene viste at MLOB betydelig forbedret sikkerheten, og lyktes med å avverge seks forhåndsdefinerte angrepsscenarier. Det opprettholdt høy nøyaktighet, med bare en minimal forskjell på 0, 001 i gjennomsnittlig skjæringskhul (MIoU) sammenlignet med den beste baseline. Selv om effektiviteten ble noe redusert, med en økning i ventetid på 0, 231 sekunder i forhold til den raskeste baseline, var den totale ytelsen fortsatt i samsvar med kravene innen industriell praksis. I tillegg har MLOB-rammeverket ledelsesmessig betydning. Det motiverer organisasjoner til å satse på innovasjon ved å adoptere banebrytende teknologi, noe som fremmer mer konkurransedyktige ingeniørprosesser. Det bidrar også til å redusere risiko knyttet til datasikkerhet og logikk, noe som hjelper med å optimalisere ressursbruk og styrke den økonomiske motstanden. Likevel har rammeverket begrensninger, inkludert begrenset støtte for applikasjoner med lav latens og mangel på et brukervennlig grensesnitt. Fremtidig arbeid vil fokusere på å forbedre effektiviteten og utvikle et mer tilgjengelig grensesnitt for å øke brukervennligheten og utvide MLOBs anvendelsesområde innen ingeniørberegninger.