Isang kamakailang pag-aaral na inilathala sa Engineering ang nagpapakilala ng isang makabagong balangkas na nag-ugnay sa machine learning (ML) at blockchain technology (BT) upang mapabuti ang seguridad sa komputasyon sa mga aplikasyon ng engineering. Ang balangkas na ito, na tinatawag na Machine Learning on Blockchain (MLOB), ay naglalayong malagpasan ang mga kakulangan ng kasalukuyang mga paraan ng integrasyon ng ML-BT, na pangunahing nakatuon sa seguridad ng datos habang nakakalimutan ang seguridad sa komputasyon. Malawakang ginagamit ang ML sa engineering para sa paglutas ng mga kumplikadong problema, na nagbibigay ng mataas na katumpakan at kakayahan. Gayunpaman, ito ay madaling maapektuhan ng mga banta sa seguridad tulad ng panloloob ng datos at pagkasira ng lohika. Ang BT, na kilala sa kanyang decentralization, transparency, at hindi matatangal na katangian, ay siniyasat bilang paraan upang maprotektahan ang datos sa engineering. Sa kabila nito, ang mga tradisyong proseso ng ML ay nananatiling bukas sa mga vulnerabilities sa labas ng chain, dahil ang mga modelo ng ML ay karaniwang pinapatakbo sa labas ng blockchain na kapaligiran. Pinapakinggan ng balangkas na MLOB ito sa pamamagitan ng pag-embed ng parehong datos at komputasyon sa blockchain, na pinapagana bilang mga smart contract at pinananatili ang mga talaan ng pagsasagawa. Binubuo ito ng apat na mahahalagang bahagi: ML acquisition, kung saan sinasanay ang isang modelo ng ML para sa isang itinakdang gawain; ML conversion, na nagbabago sa modelo na sinanay para sa deployment sa blockchain; ML safe loading, na nagsisiguro sa seguridad ng paglilipat ng datos at modelo; at consensus-based ML model execution, na nagsisiguro sa katumpakan at kaligtasan ng mga prosesong komputasyonal. Upang ipakita ang bisa ng MLOB, gumawa ang mga mananaliksik ng isang prototype at ginamit ito upang subaybayan ang progreso ng panloob na konstruksyon. Sinuri nila ang balangkas laban sa tatlong pangunahing pamamaraan at dalawang kasalukuyang paraan ng ML-BT na pinagsama.

Lumabas ang mga resulta na ang MLOB ay significantly nagpalakas ng seguridad, na matagumpay na napigilan ang anim na nakatakdang senaryo ng pag-atake. Napanatili nito ang mataas na katumpakan, na may kaunting 0. 001 na diperensya sa mean intersection over union (MIoU) kumpara sa pinaka-mataas na welcome na baseline. Bagamat bahagyang bumaba ang kahusayan, na makikita sa 0. 231 segundong pagtaas sa latency kumpara sa pinakamabilis na baseline, ang kabuuang pagganap nito ay nananatiling kaayon sa pangangailangan ng industriya. Dagdag pa rito, ang balangkas ng MLOB ay may salungguhit na kahalagahan sa pamamahala. Nagbibigay-inspirasyon ito sa mga organisasyon na magpatuloy sa inobasyon sa pamamagitan ng pag-aampon ng mga cutting-edge na teknolohiya, na nagbubunsod ng mas mapagkumpitensyang mga proseso sa engineering. Nakakatulong din ito upang mapababa ang mga panganib na may kaugnayan sa seguridad ng datos at lohika, na tumutulong sa optimize ng alokasyon ng mga yaman at pagpapatatag ng ekonomiyang resilient. Gayunpaman, may mga limitasyon ang balangkas, kabilang na ang limitadong suporta para sa mga latency-sensitive na aplikasyon at ang kakulangan ng isang madaling gamitin na interface. Tinatayang ang mga susunod na gawain ay nakatuon sa pagpapahusay ng kahusayan at pagbuo ng isang mas madaling ma-access na interface upang mapabuti ang usability at mapalawak ang aplikasyon ng MLOB sa mga komputasyong pang-engineering.