უახლესი კვლევა, რომელიც გამოქვეყნებულია ჟურნალ Engineering-ში, სთავაზობს ინოვაციურ ჩ框架ს, რომელიც აერთიანებს მანქანურ სწავლას (ML) ბლოკჩეინის ტექნოლოგიასთან (BT) ინჟინერიის სექტორში კომპიუტაციური უსაფრთხოების გაუმჯობესების მიზნით. სახელწოდებით Machine Learning on Blockchain (MLOB), ეს ჩ框架ი ცდილობს გადააჭარბოს იმ ხარვეზებს, რომლებიც აქვს მიმდინარე ML-BT ინტეგრაციის მეთოდებს, რომელთა უმეტესობა პრიორიტეტად მიიჩნევს მონაცემთა უსაფრთხოებას, უმეტესად იგნორირებით კომპიუტაციური უსაფრთხოების საკითხებს. მანქანური სწავლა ფართოდ გამოიყენება ინჟინერიის სფეროში 복잡ური გამოწვევების გადაჭრის მიზნით, რაც უზრუნველყოფს მნიშვნელოვან სიზუსტესა და ეფექტურობას. თუმცა, ეს მოწყვლადია უსაფრთხოების საფრთხეების მიმართ, როგორიცაა მონაცემების მანიპულირება და ლოგიკის დაზიანება. ბლოკჩეინი, თავისი დემოკრატიული, გამჭვირვალე და უცვლელი ბუნებით, კვლევის ობიექტად იქნა განხილული, როგორც საშუალება ინჟინერიის მონაცემების დაცვისთვის. თუმცა, ტრადიციული ML პროცესები რჩება აუტჩეინის რისკებისათვის დაუცველი, რადგან ML მოდელები ხშირად იყავთ შესრულებული ბლოკჩეინ გარემოს გარეთ. MLOB ჩ框架ი აყენებს როგორც მონაცემებს, ასევე კომპიუტაციურ პროცესებს ბლოკჩეინზე, ახორციელებს მათ როგორც სმარტ კონტრაქტებს შესრულების ჩანაწერების დაცვის მიზნით. ის მოიცავს ოთხ ძირითად კომპონენტს: ML შეძენა, რომელიც მოითხოვს ML მოდელის სწავლას კონკრეტულ დავალებაზე; ML გარდაქმნა, რომელიც ადაპტირებს სწავლულ მოდელს ბლოკჩეინზე განაყენისთვის; ML უსაფრთხო დატვირთვა, რაც უზრუნველყოფს მონაცემებისა და მოდელების გადაცემის უსაფრთხოებას; და იმ კონსენსუსზე დაფუძნებული ML მოდელის შესრულება, რომელიც უზრუნველყოფს კომპიუტაციების უსაფრთხოებას და სიზუსტეს. MLOB ჩ框架ის ეფექტურობის დემონსტრირებისთვის, მკვლევარებმა შექმნეს პროტოტიპი და გამოიყენეს იგი შიდა მშენებლობის პროგრესის მონიტორინგისთვის. ისინი მოაცვენენ MLOB ჩ框架ს სამი საბაზისო მეთოდის და ორი უახლესი ML-BT ინტეგრირებული მიდგომების წინააღმდეგ.

აღმოჩენებმა აჩვენა, რომ MLOB ჩ框架მა მნიშვნელოვანად გააძლიერა უსაფრთხოება, წარმატებით დაიცვა ექვს კონკრეტულ თავდასხმის სცენარებისგან. ასევე, იგი შენარჩუნდა მაღალი სიზუსტე დონეზე, აჩვენა მხოლოდ 0. 001 განსხვავება საშუალო ნაკვეთების ფასეულობის (MIoU) მუცში, რომელთანაც შედარებულია უდიდესი საბაზისო მეთოდი. თუმცა, ის განიცადა მცირე ეფექტურობის შემცირება - რაც გამოიწვია 0. 231 წამით გაწვდილი ვადა ყველაზე ეფექტური საბაზისო მეთოდის შედარებით - მაგრამ საერთო შესრულება იყო დამაკმაყოფილებელი ინდუსტრიული პროგრამებისთვის. გარდა ამისა, MLOB ჩ框架ი შეიცავს მენეჯერული მნიშვნელობა. ის წაახალისებს ორგანიზაციებს ინოვაციისკენ, მოწინავე ტექნოლოგიების ინტეგრაციის გზით, რაც შესაძლოა უფრო კონკურენტული ინჟინერიული პრაქტიკების წარმოქმნას მოიყვანს. გარდა ამისა, ის ხელს უწყობს მონაცემთა და ლოგიკის უსაფრთხოების რისკების შემცირების პროცესს, შესაბამისად ოპტიმიზირებს რესურსების დანაწილებას და აძლიერებს ეკონომიკურ მდგრადობას. თუმცა, ჩ框架ს აქვს გარკვეული შეზღუდვები. ის სთავაზობს შეზღუდულ მხარდაჭერას უკუკავშირის მგრძნობიარე აპლიკაციებისთვის და არ გააჩნია მომხმარებელზე მეგობრული ინტერფეისი. მომავალი კვლევა მიზნად ისახავს მისი ეფექტურობის ზრდას და მომხმარებელზე უფრო ხელმისაწვდომი ინტერფეისის განვითარებას, რათა უმჯობესდეს გამოყენებადობა და გააფართოვოს გამოყენება ინჟინერიის კომპიუტერებში.