Nedavna studija objavljena u časopisu Engineering predstavlja inovativni okvir koji spaja strojno učenje (ML) s tehnologijom blockchain (BT) kako bi poboljšao računalnu sigurnost u inženjerskom sektoru. Nazvan Machine Learning on Blockchain (MLOB), ovaj okvir nastoji premostiti nedostatke trenutnih metoda integracije ML-BT, koje često prioritetiziraju sigurnost podataka zanemarujući računalnu sigurnost. Strojno učenje se široko koristi u inženjerstvu za rješavanje složenih izazova, nudeći značajnu točnost i učinkovitost. Međutim, ranjivo je na sigurnosne prijetnje poput manipulacije podacima i logičkih korupcija. Blockchain, sa svojom decentraliziranom, transparentnom i nepromjenjivom prirodom, istraživan je kao sredstvo za zaštitu inženjerskih podataka. Ipak, konvencionalni ML procesi i dalje su osjetljivi na off-chain rizike, jer se ML modeli često izvršavaju izvan okruženja blockchaina. MLOB okvir postavlja i podatke i računalne procese na blockchain, izvršavajući ih kao pametne ugovore kako bi zaštitio zapise o izvršenju. Sastoji se od četiri glavne komponente: akvizicija ML-a, koja uključuje obuku ML modela za određeni zadatak; konverzija ML-a, koja prilagođava obučeni model za implementaciju na blockchainu; sigurno učitavanje ML-a, osiguravajući sigurnost prijenosa podataka i modela; i izvršavanje ML modela temeljenog na konsenzusu, koje osigurava sigurnost i točnost računalnih operacija. Kako bi demonstrirali učinkovitost MLOB okvira, istraživači su stvorili prototip i primijenili ga na praćenje napretka unutarnje gradnje. Usporedili su MLOB okvir s tri osnovne metode i dva nedavna pristupa integracije ML-BT.

Nalazi su pokazali da je MLOB okvir značajno poboljšao sigurnost, uspješno se braneći od šest specifičnih scenarija napada. Također je zadržao visoku razinu točnosti, pokazujući samo 0. 001 razlike u srednjem indeksu presječenja (MIoU) u usporedbi s najboljom osnovnom metodom. Iako je došlo do blagog smanjenja učinkovitosti—što je rezultiralo porastom latencije od 0. 231 sekunde u odnosu na najefikasniju osnovnu metodu—ukupna izvedba bila je zadovoljavajuća za industrijske primjene. Osim toga, MLOB okvir ima i menadžerske implikacije. Potiče organizacije na inovacije integracijom najmodernijih tehnologija, što može dovesti do konkurentnijih inženjerskih praksi. Nadalje, pomaže u ublažavanju rizika povezanih sa sigurnošću podataka i logike, čime se optimizira raspodjela resursa i povećava ekonomska otpornost. Ipak, okvir ima i neka ograničenja. Pruža ograničenu podršku za aplikacije osjetljive na latenciju i nedostaje mu korisničko sučelje prilagođeno korisnicima. Buduća istraživanja nastojat će poboljšati njegovu učinkovitost i razviti pristupačnije korisničko sučelje kako bi poboljšala upotrebljivost i proširila njegovu primjenu u inženjerskom računalstvu.