Niedawne badanie opublikowane w czasopiśmie Engineering wprowadza innowacyjne ramy, które integrują uczenie maszynowe (ML) i technologię blockchain (BT) w celu poprawy bezpieczeństwa obliczeniowego w zastosowaniach inżynierskich. Ramy te, nazwane Machine Learning on Blockchain (MLOB), mają na celu pokonanie wad obecnych metod integracji ML i BT, które głównie skupiają się na bezpieczeństwie danych, pomijając bezpieczeństwo obliczeniowe. ML jest szeroko wykorzystywane w inżynierii do rozwiązywania złożonych problemów, zapewniając wysoką dokładność i wydajność. Niemniej jednak, jest podatne na zagrożenia bezpieczeństwa, takie jak manipulacja danymi czy uszkodzenie logiki. BT, znany z decentralizacji, przejrzystości i niezmienności, był badany jako sposób na ochronę danych inżynierskich. Mimo to, tradycyjne procesy ML pozostają narażone na luki off-chain, ponieważ modele ML są zazwyczaj uruchamiane poza środowiskiem blockchain. Ramy MLOB rozwiązują ten problem poprzez osadzenie zarówno danych, jak i obliczeń w blockchain, uruchamiając je jako inteligentne kontrakty oraz zabezpieczając logi wykonywania. Składają się z czterech kluczowych komponentów: pozyskania ML, podczas którego trenowany jest model ML do określonego zadania; konwersji ML, która modyfikuje wytrenowany model do wdrożenia na blockchainie; bezpiecznego ładowania ML, chroniącego bezpieczeństwo transferu danych i modelu; oraz wykonywania modelu ML oparty na konsensusie, zapewniającego poprawność i bezpieczeństwo procesów obliczeniowych. Aby wykazać skuteczność MLOB, badacze stworzyli prototyp i zastosowali go do monitorowania postępu prac budowlanych wewnątrz budynków. Oceniili ramy na podstawie trzech metod bazowych oraz dwóch najnowszych podejść zintegrowanych ML i BT.

Wyniki pokazały, że MLOB znacznie zwiększa bezpieczeństwo, skutecznie neutralizując sześć określonych scenariuszy ataków. Zachowuje wysoką dokładność, różnicę średniego wspólnego pola przecięcia (MIoU) w porównaniu z najlepszą metodą bazową ograniczono do zaledwie 0, 001. Chociaż wydajność nieco się obniżyła, z dodatkiem 0, 231 sekundy do opóźnienia w porównaniu z najszybszą metodą bazową, ogólne działanie nadal spełnia wymagania praktyki przemysłowej. Dodatkowo, ramy MLOB mają znaczenie menedżerskie. Motywują organizacje do wprowadzania innowacji poprzez adopcję najnowszych technologii, co sprzyja bardziej konkurencyjnym procesom inżynierskim. Redukują także ryzyko związane z bezpieczeństwem danych i logiki, pomagając optymalizować alokację zasobów i wzmacniając odporność ekonomiczną. Niemniej jednak, ramy mają ograniczenia, w tym ograniczone wsparcie dla aplikacji wrażliwych na opóźnienia oraz brak przyjaznego interfejsu użytkownika. W przyszłości planowane jest zwiększenie wydajności oraz opracowanie bardziej dostępnego interfejsu, aby poprawić użyteczność i poszerzyć zastosowanie MLOB w obliczeniach inżynierskich.