Nedavna studija objavljena u časopisu Engineering predstavlja inovativni okvir koji spaja mašinsko učenje (ML) s tehnologijom blockchain (BT) s ciljem poboljšanja računarske sigurnosti u inženjerskom sektoru. Nazvan Mašinsko Učenje na Blockchainu (MLOB), ovaj okvir nastoji prevazići nedostatke trenutnih metoda integracije ML-BT, koje obično prioritetiziraju sigurnost podataka, zanemarujući računarsku sigurnost. Mašinsko učenje se široko koristi u inženjerstvu za rješavanje složenih izazova, nudeći značajnu tačnost i efikasnost. Međutim, podložno je prijetnjama sigurnosti, kao što su manipulacija podacima i logičke greške. Blockchain, sa svojom decentralizovanom, transparentnom i nepromjenjivom prirodom, istraživan je kao sredstvo za zaštitu inženjerskih podataka. Ipak, konvencionalni ML procesi ostaju podložni rizicima izvan lanca, jer se ML modeli često izvršavaju izvan blockchain okruženja. MLOB okvir stavlja i podatke i računarske procese na blockchain, izvršavajući ih kao pametne ugovore kako bi osigurao zapise o izvršenju. Sastoji se od četiri glavne komponente: sticanje ML, što podrazumijeva obuku ML modela za određeni zadatak; konverzija ML, koja prilagođava obučeni model za implementaciju na blockchain; sigurno učitavanje ML, koje osigurava sigurnost prijenosa podataka i modela; i izvršavanje ML modela zasnovano na konsenzusu, što osigurava sigurnost i tačnost proračuna. Da bi demonstrirali efikasnost MLOB okvira, istraživači su kreirali prototip i primijenili ga na praćenje napretka unutrašnje izgradnje. Uporedili su MLOB okvir sa tri referentne metode i dva nedavna pristupa integracije ML-BT.

Nalazi su pokazali da je MLOB okvir znatno poboljšao sigurnost, uspješno se braneći protiv šest specifičnih scenarija napada. Također je održao visoku razinu tačnosti, pokazujući samo 0. 001 razlike u srednjem preklapanju (MIoU) u poređenju s najboljom referentnom metodom. Iako je došlo do blagog opadanja efikasnosti—što je rezultiralo povećanjem latencije od 0. 231 sekundi u poređenju s najučinkovitijom referentnom—ukupna performansa je bila zadovoljavajuća za industrijske primjene. Osim toga, MLOB okvir ima menadžerske implikacije. Potiče organizacije na inovacije integracijom najnovijih tehnologija, što može dovesti do konkurentnijih inženjerskih praksi. Nadalje, pomaže u ublažavanju rizika povezanih sa sigurnošću podataka i logike, optimizirajući raspodjelu resursa i poboljšavajući ekonomsku otpornost. Ipak, okvir ima određena ograničenja. Pruža ograničenu podršku za aplikacije osjetljive na latenciju i nedostaje mu korisnički prijateljsko sučelje. Buduća istraživanja će se fokusirati na poboljšanje efikasnosti i razvoj pristupačnijeg korisničkog sučelja kako bi se poboljšala upotrebljivost i proširila njegova primjena u računarstvu u inženjstvu.