Tuore tutkimus, joka on julkaistu Engineering-lehdessä, esittelee innovatiivisen viitekehyksen, joka yhdistää koneoppimisen (ML) ja lohkoketjuteknologian (BT) parantaakseen laskennallista turvallisuutta insinöörialalla. Kutsuttuna nimellä Machine Learning on Blockchain (MLOB), tämä kehys pyrkii voittamaan nykyisten ML-BT-integraatiomenetelmien puutteet, jotka usein priorisoivat datan turvallisuutta samalla, kun ne jättävät laskennallisen turvallisuuden huomiotta. Koneoppimista käytetään laajasti insinööritieteissä monimutkaisten ongelmien ratkaisemiseen, tarjoten huomattavaa tarkkuutta ja tehokkuutta. Kuitenkin se on altis turvallisuusuhille, kuten datan manipuloinnille ja logiikkavirheille. Lohkoketju, sen hajautetun, läpinäkyvän ja muuttumattoman luonteen vuoksi, on tutkittu keinona suojata insinööridataa. Silti perinteiset ML-prosessit ovat alttiita off-chain-riskeille, koska ML-mallit suoritetaan usein lohkoketjuympäristön ulkopuolella. MLOB-kehys sijoittaa sekä datan että laskentaprosessit lohkoketjuun ja suorittaa ne älykkäinä sopimuksina suojatakseen toteutustietoja. Se koostuu neljästä pääkomponentista: ML-hankinta, joka sisältää ML-mallin kouluttamisen tiettyyn tehtävään; ML-muunnos, joka mukauttaa koulutetun mallin lohkoketjuun sijoittamista varten; ML-turvallinen lataus, joka varmistaa datan ja mallin siirtojen turvallisuuden; ja konsensusperusteinen ML-mallin suoritus, joka varmistaa laskentojen turvallisuuden ja tarkkuuden. Demonstroidakseen MLOB-kehyksen tehokkuutta tutkijat loivat prototyypin ja sovelsivat sitä sisäisten rakennusprojektien seurannassa. He vertasivat MLOB-viitekehystä kolmeen perusmenetelmään ja kahteen tuoreeseen ML-BT-integroituun lähestymistapaan.

Tulokset paljastivat, että MLOB-kehys paransi merkittävästi turvallisuutta, puolustaen menestyksekkäästi kuutta erityistä hyökkäystilannetta. Se säilytti myös korkean tarkkuustason, näyttäen vain 0. 001 eron keskimääräisessä leikkauksessa (MIoU-mittari) verrattuna parhaan perusmenetelmään. Vaikka se koki lievää tehokkuuden laskua—joka johti 0. 231 sekunnin viivästykseen verrattuna tehokkaimpaan perusmenetelmään—yleinen suorituskyky oli tyydyttävä teollisissa sovelluksissa. Lisäksi MLOB-kehys tuo mukanaan johtamisen mahdollisuuksia. Se kannustaa organisaatioita innovoimaan yhdistämällä huipputeknologioita, mikä voi johtaa kilpailukykyisempiin insinöörikäytäntöihin. Lisäksi se auttaa vähentämään datan ja logiikan turvallisuuteen liittyviä riskejä, optimoimalla resurssien kohdentamista ja parantaen taloudellista resilienssiä. Kuitenkin kehys sisältää joitakin rajoituksia. Se tarjoaa vain rajallista tukea viivästykseen herkkille sovelluksille ja sen käyttöliittymä ei ole käyttäjäystävällinen. Tulevat tutkimukset pyrkivät parantamaan sen tehokkuutta ja kehittämään saavutettavampaa käyttöliittymää, jotta käytettävyyttä voidaan parantaa ja laajentaa sen soveltamista insinöörilaskennassa.