Kajian terkini yang diterbitkan dalam jurnal Engineering memperkenalkan satu rangka kerja inovatif yang menggabungkan pembelajaran mesin (ML) dengan teknologi blockchain (BT) untuk meningkatkan keselamatan pengkomputeran dalam sektor kejuruteraan. Dikenali sebagai Pembelajaran Mesin di Blockchain (MLOB), rangka kerja ini berusaha untuk mengatasi kelemahan kaedah integrasi ML-BT yang sedia ada, yang cenderung mengutamakan keselamatan data sambil mengabaikan keselamatan pengkomputeran. Pembelajaran mesin digunakan secara meluas dalam kejuruteraan untuk menangani cabaran kompleks, menawarkan ketepatan dan kecekapan yang ketara. Walau bagaimanapun, ia terdedah kepada ancaman keselamatan seperti manipulasi data dan kerosakan logik. Blockchain, dengan sifatnya yang terdesentralisasi, telus, dan tidak boleh diubah, telah diselidik sebagai cara untuk melindungi data kejuruteraan. Namun, proses ML konvensional masih terdedah kepada risiko luar rantai, kerana model ML sering dijalankan di luar persekitaran blockchain. Rangka kerja MLOB meletakkan kedua-dua data dan proses pengkomputeran di atas blockchain, melaksanakannya sebagai kontrak pintar untuk menjaga rekod pelaksanaan. Ia terdiri daripada empat komponen utama: pemerolehan ML, yang melibatkan latihan model ML untuk tugas tertentu; penukaran ML, yang mengadaptasi model yang dilatih untuk pelaksanaan blockchain; pemuatan selamat ML, memastikan keselamatan pemindahan data dan model; dan pelaksanaan model ML berdasarkan konsensus, yang menjamin keselamatan dan ketepatan pengiraan. Untuk menunjukkan keberkesanan rangka kerja MLOB, penyelidik telah mencipta prototaip dan memohon ia untuk memantau kemajuan pembinaan dalam ruangan. Mereka membandingkan rangka kerja MLOB dengan tiga kaedah asas dan dua pendekatan terbaru yang diintegrasikan dengan ML-BT.

Penemuan menunjukkan bahawa rangka kerja MLOB secara signifikan meningkatkan keselamatan, berjaya mempertahankan terhadap enam senario serangan khusus. Ia juga mengekalkan tahap ketepatan yang tinggi, dengan hanya perbezaan 0. 001 dalam metrik purata persilangan ke atas kesatuan (MIoU) berbanding kaedah asas teratas. Walaupun ia mengalami penurunan sedikit dalam kecekapan—mengakibatkan peningkatan latensi sebesar 0. 231 saat berbanding baseline yang paling cekap—prestasi keseluruhan adalah memuaskan untuk aplikasi perindustrian. Tambahan pula, rangka kerja MLOB mempunyai implikasi pengurusan. Ia menggalakkan organisasi untuk berinovasi dengan mengintegrasikan teknologi terkini, yang berpotensi membawa kepada amalan kejuruteraan yang lebih kompetitif. Selain itu, ia membantu dalam mengurangkan risiko yang berkaitan dengan keselamatan data dan logik, sekaligus mengoptimumkan pengagihan sumber dan meningkatkan daya tahan ekonomi. Walau bagaimanapun, rangka kerja ini mempunyai beberapa kekangan. Ia menawarkan sokongan terhad untuk aplikasi yang peka terhadap latensi dan kekurangan antara muka yang mesra pengguna. Penyelidikan masa depan akan bertujuan untuk meningkatkan kecekapan dan membangunkan antara muka pengguna yang lebih mudah diakses untuk meningkatkan kebolehlgunaan dan memperluaskan aplikasinya dalam pengkomputeran kejuruteraan.