En aktuell studie publicerad i Engineering introducerar ett innovativt ramverk som integrerar maskininlärning (ML) och blockchain-teknologi (BT) för att förbättra beräkningssäkerheten inom ingenjörsapplikationer. Detta ramverk, kallat Machine Learning on Blockchain (MLOB), syftar till att övervinna bristerna med nuvarande ML-BT-integrationsmetoder, som huvudsakligen fokuserar på datasekretess och försummar beräkningssäkerheten. ML används i stor utsträckning inom ingenjörsvetenskap för att lösa komplexa problem och erbjuder hög precision och effektivitet. Trots detta är det utsatt för säkerhetshot som datamanipulation och logikfel. BT, känt för sin decentralisering, transparens och oföränderlighet, har undersökts som ett sätt att skydda ingenjörsdata. Ändå förblir traditionella ML-arbetsflöden sårbara för off-chain-sårbarheter, eftersom ML-modeller vanligtvis körs utanför blockchain-miljön. MLOB-ramverket hanterar detta genom att integrera både data och beräkningar inom blockchain, där de körs som smarta kontrakt och säkras med hjälp av loggar för exekvering. Det består av fyra nyckelkomponenter: ML förvärv, där en ML-modell tränas för en specifik uppgift; ML-omvandling, som anpassar den tränade modellen för distribution på blockchainen; ML-säker laddning, som skyddar datans och modellens överföring; och konsensusbaserad ML-modellkörning, som säkerställer riktigheten och säkerheten för beräkningsprocesserna. För att visa MLOB:s effektivitet byggde forskarna en prototyp och tillämpade den för att övervaka inomhusbyggnadsframsteg. De utvärderade ramverket mot tre grundläggande metoder och två nyligen utvecklade ML-BT-integrerade metoder.

Resultaten visade att MLOB avsevärt förbättrade säkerheten, genom att framgångsrikt motstå sex fördefinierade attackscenarier. Det behöll hög noggrannhet, med endast en minimal skillnad på 0, 001 i mean intersection over union (MIoU) jämfört med den bästa baseline-modellen. Även om effektiviteten minskade något, med en latencyökning på 0, 231 sekunder jämfört med den snabbaste baslinen, höll den fortfarande en prestandanivå som möter industrins krav. Dessutom har MLOB-ramverket strategisk betydelse för ledningen. Det motiverar organisationer att satsa på innovation genom att använda den senaste teknologin, vilket främjar mer konkurrenskraftiga ingenjörsprocesser. Det minskar också risker kopplade till datasekretess och logik, vilket hjälper till att optimera resursanvändning och stärka den ekonomiska motståndskraften. Ramverket har dock några begränsningar, inklusive begränsat stöd för latenskänsliga applikationer och avsaknad av ett användarvänligt gränssnitt. Framtida arbete kommer att fokusera på att förbättra effektiviteten och utveckla ett mer tillgängligt gränssnitt för att öka användbarheten och bredda MLOB:s tillämpningar inom ingenjörsberäkningar.