ताज्या अभ्यासात जो जर्नल इंजिनीरिंगमध्ये प्रकाशित झाला आहे, एक नविन चौकट सादर केली आहे जी मशीन लर्निंग (ML) आणि ब्लॉकचेन तंत्रज्ञान (BT) यांना एकत्र करून अभियंत्रण क्षेत्रातील संगणकीय सुरक्षा सुधारण्याचा प्रयत्न करतो. मशीन लर्निंग ऑन ब्लॉकचेन (MLOB) म्हणून ओळखल्या जाणाऱ्या या चौकटीचा उद्देश चालू ML-BT एकत्रीकरण पद्धतींच्या कमतरतांचा सामना करणे आहे, ज्या डेटा सुरक्षेला महत्त्व देतात पण संगणकीय सुरक्षेला दुर्लक्ष करतात. यांत्रिकीमध्ये मशीन लर्निंगचा मोठ्या प्रमाणात उपयोग जटिल समस्यांचे निराकरण करण्यासाठी केला जातो, जो इमारतीवर आधारित अचूकता आणि कार्यक्षमता प्रदान करतो. तथापि, याला डेटा छेडछाड आणि लॉजिक भ्रष्टाचार यांसारख्या सुरक्षा धोक्यांसाठी संवेदनशील आहे. ब्लॉकचेन, त्याच्या विखुरलेल्या, पारदर्शक, आणि अपरिवर्तनीय स्वभावाने, अभियंत्रणाच्या डेटाचे संरक्षण करण्याचा एक मार्ग म्हणून संशोधन केले गेले आहे. तरीही, पारंपरिक ML प्रक्रिया ऑफ-चेन धोक्यांपासून संवेदी राहतात, कारण ML मॉडेल बहुतेक वेळा ब्लॉकचेन पर्यावरणाबाहेर कार्यान्वित केले जातात. MLOB चौकट दोन्ही डेटा आणि संगणकीय प्रक्रियांचा ब्लॉकचेनवर स्थान दिले जाते, स्मार्ट कॉन्ट्रॅक्ट्स म्हणून कार्यान्वित करून अंमलबजावणीचा रेकॉर्ड सुरक्षित करते. यामध्ये चार मुख्य घटक आहेत: ML अधिग्रहण, ज्यामध्ये विशिष्ट कार्यासाठी ML मॉडेलचे प्रशिक्षण देणे; ML रूपांतरण, जे प्रशिक्षित मॉडेलला ब्लॉकचेन कार्यान्वयनासाठी अनुकूल करते; ML सुरक्षित लोडिंग, डेटा आणि मॉडेल ट्रान्सफरची सुरक्षा सुनिश्चित करणे; आणि सहमती आधारित ML मॉडेल कार्यान्वयन, जे गणनांच्या सुरक्षा आणि अचूकतेची खात्री करते. MLOB चौकटीची प्रभावीता दर्शविण्यासाठी, संशोधकांनी एक प्रोटोटाइप तयार केला आणि हे इनडोर बांधकाम प्रगतीच्या निरीक्षणावर लागू केले. त्यांनी MLOB चौकटीची तुलना तीन मूलभूत पद्धतींशी आणि दोन अलीकडील ML-BT समाकलित दृष्टिकोनांशी केली.

निष्कर्षांमध्ये MLOB चौकटने सुरक्षेत मोठी वाढ केली, सहा विशिष्ट हल्ला परिदृश्यांच्या विरोधात यशस्वीपणे संरक्षण केले. याने उच्च अचूकता स्तर राखला, सर्वाधिक मूलभूत पद्धतीच्या तुलनेत साध्या इंटरसेक्शन ओव्हर युनियन (MIoU) मेट्रिकमध्ये फक्त 0. 001 चा फरक दर्शविला. याने कार्यक्षमतेत थोडी घट अनुभवली—सर्वात कार्यक्षम बेसलाइनच्या तुलनेत 0. 231 सेकंदांची विलंब वाढवली—तरी संपूर्ण कार्यक्षमता औद्योगिक अनुप्रयोगांसाठी समाधानकारक होती. तसेच, MLOB चौकटीमध्ये व्यवस्थापकीय परिणाम आहेत. हे संघटनांना अत्याधुनिक तंत्रज्ञान एकत्र करून नवोपक्रम करण्यास प्रोत्साहित करते, ज्यामुळे अधिक स्पर्धात्मक अभियंत्रण प्रथा तयार होऊ शकतात. शिवाय, हे डेटा आणि लॉजिक सुरक्षेशी संबंधित धोक्यांना कमी करण्यात मदत करते, ज्यामुळे संसाधनांचे वितरण ऑप्टिमाइझ होते आणि आर्थिक आघात कमी होतो. तथापि, या चौकटीस काही मर्यादा आहेत. ही विलंब-संवेदनशील अनुप्रयोगांना मर्यादित समर्थन प्रदान करते आणि वापरकर्ता-अनुकूल इंटरफेस नसतो. भविष्याच्या संशोधनाचा उद्देश याची कार्यक्षमता सुधारणा करणे आणि वापरण्यायोग्यतेसाठी अधिक प्रवेशयोग्य वापरकर्ता इंटरफेस विकसित करणे आहे, ज्यामुळे अभियंत्रण संगणनामध्ये याच्या अनुप्रयोगामध्ये विस्तार होईल.