Ново проучване, публикувано в списание Engineering, представя иновативна рамка, която съчетава машинно обучение (ML) с блокчейн технологии (BT), за да подобри изчислителната сигурност в инженерния сектор. Нарасналата рамка Machine Learning on Blockchain (MLOB) цели да преодолее недостатъците на настоящите методи за интеграция на ML и BT, които често поставят акцент върху безопасността на данните, пренебрегвайки изчислителната сигурност. Машинното обучение се използва широко в инженерството за справяне с комплексни предизвикателства, осигурявайки забележителна точност и ефективност. Въпреки това, то е уязвимо на заплахи за сигурността, като манипулиране на данни и логическо увреждане. Блокчейн, със своето децентрализирано, прозрачно и неизменяемо естество, е бил изследван като средство за защита на инженерните данни. Въпреки това, традиционните ML процеси остават податливи на рискове извън веригата, тъй като ML моделите често се изпълняват извън блокчейн средата. Рамката MLOB поставя както данните, така и изчислителните процеси на блокчейна, изпълнявайки ги като смарт договори, за да защити записите на изпълнението. Тя се състои от четири основни компонента: ML придобиване, което включва обучение на ML модел за конкретна задача; ML преобразуване, което адаптира обучената модел за внедряване в блокчейн; ML безопасно зареждане, осигуряващо сигурността на преносите данни и модели; и изпълнение на ML модели на база консенсус, което гарантира безопасността и точността на изчисленията. За да демонстрират ефективността на рамката MLOB, изследователите създадоха прототип и го приложиха за мониторинг на вътрешния напредък в строителството. Те сравниха рамката MLOB с три основни метода и два наскоро интегрирани подхода ML-BT.

Резултатите разкриха, че рамката MLOB значително е подсилила сигурността, успешно защитавала е срещу шест специфични сценария на атака. Освен това, тя е запазила високото ниво на точност, показвайки само 0. 001 разлика в средния показател за пресичане на обединение (MIoU) в сравнение с най-добрия основен метод. Въпреки че е имала малко намаление в ефективността — което е довело до увеличаване на латентността с 0. 231 секунди в сравнение с най-ефективния основен метод — общото представяне е било задоволително за индустриални приложения. Допълнително, рамката MLOB носи мениджърски последици. Тя насърчава организациите да иновират, интегрирайки иновативни технологии, което може да доведе до по-конкурентни инженерни практики. Освен това, тя помага за намаляване на рисковете, свързани със защитата на данните и логиката, като така оптимизира разпределението на ресурсите и подобрява икономическата устойчивост. Все пак, рамката има и някои ограничения. Тя предлага ограничена поддръжка за приложения, чувствителни към латентността, и липсва лесен за ползване интерфейс. Бъдещите изследвания ще се стремят да подобрят ефективността й и да разработят по-достъпен интерфейс, за да подобрят удобството при използване и да разширят приложението й в инженерното изчисляване.