Недавнее исследование, опубликованное в журнале Engineering, представляет инновационную систему, объединяющую машинное обучение (МО) и блокчейн-технологии (БТ) для повышения вычислительной безопасности в инженерных приложениях. Эта система, названная Machine Learning on Blockchain (MLOB), направлена на устранение недостатков существующих методов интеграции МО и БТ, которые в основном сосредоточены на защите данных и игнорируют безопасность вычислений. МО широко применяется в инженерии для решения сложных задач, обеспечивая высокую точность и эффективность. Однако оно уязвимо для угроз безопасности, таких как искажение данных и повреждение логики. Блокчейн, известный своей децентрализованностью, прозрачностью и неизменностью, рассматривался как средство защиты инженерных данных. Несмотря на это, традиционные рабочие процессы МО остаются подвержены внешним уязвимостям, поскольку модели МО обычно выполняются вне блокчейн-среды. Система MLOB решает эту проблему, интегрируя как данные, так и вычисления внутри блокчейна, выполняя их в виде смарт-контрактов и обеспечивая безопасность журналов выполнения. Она состоит из четырех ключевых компонентов: сбор МО, при котором модель обучается для конкретной задачи; преобразование МО, которое адаптирует обученную модель для развертывания на блокчейне; безопасная загрузка МО, охраняющая безопасность передачи данных и модели; и выполнение модели по консенсусу, обеспечивающее правильность и безопасность вычислительных процессов. Чтобы продемонстрировать эффективность MLOB, исследователи создали прототип и применили его для мониторинга прогресса внутриквартирных ремонтных работ. Они сравнили работу системы с тремя базовыми методами и двумя недавними подходами с интеграцией МО и БТ.

Результаты показали, что MLOB значительно повысила безопасность, успешно предотвращая шесть заранее определённых сценариев атак. При этом она сохраняла высокую точность, уступая только на 0, 001 в среднем по метрике взаимного пересечения (MIoU) по сравнению с лучшим базовым методом. Хотя эффективность немного снизилась, увеличившись на 0, 231 секунды задержки по сравнению с самым быстрым базовым методом, общий уровень производительности соответствовал требованиям промышленной практики. Кроме того, система MLOB обладает управленческой значимостью. Она мотивирует организации к внедрению передовых технологий, стимулируя более конкурентоспособные инженерные процессы. Также она снижает риски, связанные с безопасностью данных и логики, что помогает оптимизировать распределение ресурсов и укреплять экономическую устойчивость. Тем не менее, у системы есть ограничения, в частности, ограниченная поддержка приложений, чувствительных к задержкам, и отсутствие удобного интерфейса. В будущем планируется улучшить эффективность и создать более доступный интерфейс для повышения удобства использования и расширения применения MLOB в инженерных расчетах.