یک مطالعه اخیر که در نشریه مهندسی منتشر شده است، چارچوب نوآورانه‌ای را معرفی می‌کند که یادگیری ماشین (ML) را با فناوری بلاک‌چین (BT) ترکیب می‌کند تا امنیت محاسباتی را در بخش مهندسی بهبود بخشد. این چارچوب که به نام یادگیری ماشین روی بلاک‌چین (MLOB) نام‌گذاری شده، در تلاش است تا کاستی‌های روش‌های کنونی ادغام ML-BT را که معمولاً بر امنیت داده‌ها تمرکز دارند و امنیت محاسباتی را نادیده می‌گیرند، برطرف کند. یادگیری ماشین به طور گسترده‌ای در مهندسی برای حل چالش‌های پیچیده استفاده می‌شود و دقت و کارایی قابل توجهی را ارائه می‌دهد. با این حال، در برابر تهدیدات امنیتی مانند دستکاری داده‌ها و فساد منطقی آسیب‌پذیر است. بلاک‌چین با ماهیت غیرمتمرکز، شفاف و غیرقابل تغییر خود، به‌عنوان وسیله‌ای برای محافظت از داده‌های مهندسی مورد بررسی قرار گرفته است. با این وجود، فرآیندهای ML معمولی همچنان در معرض خطرات خارج از زنجیره قرار دارند، زیرا مدل‌های ML اغلب در خارج از محیط بلاک‌چین اجرا می‌شوند. چارچوب MLOB، هم داده‌ها و هم فرآیندهای محاسباتی را بر روی بلاک‌چین قرار می‌دهد و آن‌ها را به‌عنوان قراردادهای هوشمند اجرا می‌کند تا سوابق اجرا را ایمن نگه دارد. این چارچوب شامل چهار مؤلفه اصلی است: کسب ML، که به آموزش یک مدل ML برای یک وظیفه خاص مربوط می‌شود؛ تبدیل ML، که مدل آموزش‌دیده را برای استقرار روی بلاک‌چین تطبیق می‌دهد؛ بارگذاری ایمن ML، که امنیت انتقال داده‌ها و مدل را تضمین می‌کند؛ و اجرای مدل ML مبتنی بر اجماع، که ایمنی و دقت محاسبات را تضمین می‌کند. برای نشان دادن اثربخشی چارچوب MLOB، محققان یک پروتوتایپ ایجاد کرده و آن را برای نظارت بر پیشرفت ساخت‌وساز داخلی به کار گرفتند. آن‌ها چارچوب MLOB را با سه روش پایه‌ای و دو رویکرد جدید ادغام‌شده ML-BT مقایسه کردند.

یافته‌ها نشان داد که چارچوب MLOB به طور قابل توجهی امنیت را تقویت کرده و به طور موفقیت‌آمیزی در برابر شش سناریوی حمله خاص دفاع کرده است. همچنین، سطح دقت بالایی را حفظ کرده و تنها 0. 001 تفاوت در معیار میانگین تقاطع بر اتحادیه (MIoU) نسبت به بهترین روش پایه داشت. در حالی که در کارایی کمی کاهش داشت—که منجر به افزایش تأخیر به مقدار 0. 231 ثانیه نسبت به کارآمدترین پایه شد—عملکرد کلی برای کاربردهای صنعتی رضایت‌بخش بود. علاوه بر این، چارچوب MLOB دارای پیامدهای مدیریتی است. این چارچوب سازمان‌ها را به نوآوری با ادغام فناوری‌های پیشرفته تشویق می‌کند که می‌تواند منجر به شیوه‌های مهندسی رقابتی‌تر شود. افزون بر این، این چارچوب به کاهش خطرات مربوط به امنیت داده‌ها و منطقی کمک کرده و به بهینه‌سازی تخصیص منابع و بهبود تاب‌آوری اقتصادی کمک می‌کند. با این حال، چارچوب دارای برخی محدودیت‌ها نیز هست. این چارچوب حمایت محدودی برای کاربردهای حساس به تأخیر ارائه می‌دهد و فاقد یک رابط کاربری دوستانه است. تحقیقات آینده به دنبال افزایش کارایی آن و توسعه یک رابط کاربری قابل دسترس‌تر برای بهبود قابلیت استفاده و گسترش کاربرد آن در محاسبات مهندسی خواهد بود.