சமீபத்திய ஆய்வு அவதானத்தில் வெளியாகியுள்ள பொறியியல் நிதியில், பொறியியல் துறையில் கணினி பாதுகாப்பை மேம்படுத்தும் வகையில் இயந்திர கற்பனை (ML) மற்றும் பிளாக்செயின் தொழில்நுட்பம் (BT) ஒன்றிணைக்கும் புதுமையான கட்டமைப்பை அறிமுகம் செய்கிறது. "பிளாக்செயினில் இயந்திர கற்பனை" (MLOB) என்ற பெயரில் அழைக்கப்படும் இந்த கட்டமைப்பு, தற்போதைய ML-BT ஒருங்கிணைப்புத் துறைகளின் குறைகளைக் கடந்துவர விரும்புகிறது, இவை பொதுவாக தரவுப் பாதுகாப்பை முன்னுரிமை தரவும், கணினி பாதுகாப்பை புறக்கணிக்கவும் வரிசைப்படுத்தப்பட்டுள்ளது. இயந்திர கற்பனை, சிக்கலான சவால்களை கையாள்வதற்கு பொறியியலில் பரவலாகப் பயன்படுத்தப்படுகிறது, அதில் முக்கியமான துல்லியமும் திறனும் வழங்குகிறது. இருப்பினும், இது தரவுப் பாதிப்பு மற்றும் நெறிமுறை மாசுபாட்டிற்கான பாதுகாப்பு அசாதாரணங்களுக்குப் பாதிப்புக்கு உள்ளாக உள்ளது. பிளாக்செயின், அதன் மையமற்ற, திறந்த மற்றும் மாற்றமில்லாத இயல்பின் மூலம், பொறியியல் தரவுகளைப் பாதுகாக்க ஒரு முக்கிய கருவி ஆக ஆராயப்பட்டுள்ளது. என்றாலும், பரம்பரை ML செயல்முறைகள் வெளியாகும் சந்தர்ப்பங்களுக்கு உட்பட்டு இருப்பதாலும், ML மாதிரிகள் பெரும்பாலும் பிளாக்செயின் சுற்றுப்புறங்களில் நிறைவேற்றப்படுவதாலும் ஆபத்துகளுக்குப் உடன்படுகின்றன. MLOB கட்டமைப்பு தரவினையும் கணினி செயல்முறைகளுக்குமான இடம் வழங்குகிறது, அதை SMART ஒப்பந்தங்களாக இயக்கி, செயல்பாட்டு பதிவுகளை பாதுகாக்கிறது. இது நான்கு முக்கிய பகுதிகளை உள்ளடக்கியது: ML சூழ்நிலை, இது குறிப்பிட்ட பணிக்கான ML மாதிரியை பயிற்றுவிக்கிறது; ML மாறுதல், இது பயிற்றுவிக்கப்பட்ட மாதிரியை பிளாக்செயினில் செயல்பாட்டிற்கு சீர்மொழிபெயர்க்கிறது; ML பாதுகாப்பான சுமை, இது தரவு மற்றும் மாதிரி கருவிக்கான பாதுகாப்பு உறுதி செய்கிறது; மற்றும் ஒப்பந்த மையம் கொண்ட ML மாதிரி செயல்பாடு, இது கணக்கீடுகளின் பாதுகாப்பும் துல்லியமும் உறுதி செய்கிறது. MLOB கட்டமைப்பின் பயன்திறனை நிரூபிக்க, ஆய்வாளர்கள் ஒரு மாதிரியை உருவாக்கி, அதை உள்ளக கட்டுமான முன்னேற்றங்களைக் கண்காணிக்க பயன்படுத்தினார்கள். MLOB கட்டமைப்பினை மூன்று அடிப்படை முறைகளுக்கும் சமீபத்திய இரண்டு ML-BT ஒருங்கிணைந்த அணுகுமுறைகளுக்கும் ஒப்பிட்டனர்.

முடிவுகள் MLOB கட்டமைப்பு பாதுகாப்பை முக்கியமாக மேம்படுத்தியது என்பதைக் காட்டியுள்ளது, ஆறு குறிப்பிட்ட தாக்குதல் சூழ்நிலைகளுக்கு எதிராக வெற்றியை உறுதிப்படுத்தியது. மேலும், இது ஒரு உயர்ந்த துல்லிய அளவைக் கொண்டிருந்தது, மேலே உள்ள அடிப்படை முறையுடன் 0. 001 வித்தியாசம் கொண்ட MIoU மீதிமையோட்டு அளவு காட்டியது. மிகச் sedikit திறனில் பரிதாபத்துடன் ஒரு மடக்கு வேலைத்து 0. 231 வினாடி அவதானிக்கும் அளவையைக் கொண்டிருந்தாலும், நெறிகள் தொழில்துறையில் பயன்பாட்டிற்கான நிறைவு முறைப்படி இருந்தது. கூடுதலாக, MLOB கட்டமைப்புக்கு மேலாண்மைக் குறிப்புகள் உள்ளன. இது நிறுவனங்களுக்கு முன்னணி தொழில்நுட்பங்களை ஒருங்கிணைத்து புதுமைகளை ஊக்குவிக்கிறது, அதிக போட்டியிடும் பொறியியல் நடைமுறைகளை உருவாக்கக் கிடைக்கின்றது. மேலும், இது தரவு மற்றும் நெறிமுறைகளுக்கான பாதுகாப்பு தொடர்பான ஆபத்துகளை குறைப்பதில் உதவுகிறது, இதனால் வளங்களை மிகச் சிறந்த முறையில் ஒதுங்கவைக்கிறது மற்றும் பொருளாதார நிலைத்தன்மையை மேம்படுத்துகின்றது. எனினும், கட்டமைப்புக்கு சில வரம்புகள் உள்ளன. இது மடக்கு வேலைக்கும் சிக்கல்களை எதிர்கொள்ள ருசிகரமான ஆதரவை வழங்குகிறது மற்றும் பயனர் நடத்தை நட்பான இடையீட்டை அதில் இல்லை. எதிர்கால ஆய்வுகள் அதன் திறனைக் மேம்படுத்துவதையும், இலக்கணங்களை வைத்து முறையாகப் பயன்படுத்துவதற்கான, எளிதான பயனர் இடையீட்டை உருவாக்குவதற்கான லக்கங்கள் அடைய முயல்கின்றன.