Недавната студија објавена во списанието Engineering воведува иновативна рамка која ги спојува машинското учење (ML) со блокчејн технологијата (BT) за подобрување на компјутерската безбедност во инженерскиот сектор. Именувана Машинско учење на блокчејн (MLOB), оваа рамка има за цел да ги надмине недостатоците на тековните методи на интеграција на ML-BT, кои обично даваат приоритет на безбедноста на податоците, занемарувајќи ја компјутерската безбедност. Машинското учење се користи во инженерството за справување со сложени предизвици, нудејќи забележителна точност и ефикасност. Сепак, тоа е подложно на безбедносни закани како што се манипулација со податоци и логичка корупција. Блокчејн, со неговата децентрализирана, транспарентна и неизменлива природа, е истражуван како средство за заштита на инженерските податоци. Сепак, конвенционалните процеси на ML остануваат подложни на ризици надвор од блокчејн, бидејќи ML моделите често се извршуваат надвор од блокчејн средината. Рамката MLOB ги позиционира и податоците и компјутерските процеси на блокчејн, извршувајќи ги како паметни договори за заштита на записите за извршување. Се состои од четири главни компоненти: ML аквизиција, која вклучува обука на ML модел за специфична задача; ML конверзија, која ја прилагодува обучениот модел за имплементација на блокчејн; ML безбедно вчитување, кое обезбедува безбедност на трансферите на податоци и модели; и извршување на ML модел базирано на консензус, кое гарантира безбедност и точност на пресметките. За да ја демонстрира ефективноста на рамката MLOB, истражувачите создадоа прототип и го применуваат за следење на напредокот во внатрешната изградба. Тие ја споредуваат рамката MLOB со три основни методи и два неодамнешни интегрирани пристапи ML-BT.

Заклучоците покажаа дека рамката MLOB значително го засилила нивото на безбедност, успешно одбранувајќи се од шест специфични напади. Исто така, одржа висока точност, покажувајќи само 0. 001 разлика во просечниот метрика на пресечување над унија (MIoU) во споредба со најдоброто основно решение. И покрај тоа што доживеа малку намалување на ефикасноста – што резултираше со зголемување на латенција од 0. 231 секунди во споредба со најефикасното основно решение – вкупниот перформанс беше задоволителен за индустриски апликации. Дополнително, рамката MLOB носи управувачки импликации. Таа ги охрабрува организациите да иновираат преку интеграција на современи технологии, потенцијално води до поповолни инженерски практики. Покрај тоа, помага во намалување на ризиците поврзани со безбедноста на податоците и логиката, со што се оптимизира распределбата на ресурси и се зголемува економската отпорност. Сепак, рамката има и одредени ограничувања. Нуди ограничена поддршка за апликации чувствителни на латенција и му недостасува пријателски кориснички интерфејс. Идните истражувања ќе се стремат да ја подобрат нејзината ефикасност и да развијат полесно достапен кориснички интерфејс за подобрување на употребливоста и ширење на апликацијата во инженерското компјутерство.