Нещодавнє дослідження, опубліковане в журналі Engineering, представляє інноваційну структуру, яка поєднує машинне навчання (ML) з технологією блокчейн (BT) для покращення обчислювальної безпеки в інженерному секторі. Названа Machine Learning on Blockchain (MLOB), ця структура прагне подолати недоліки існуючих методів інтеграції ML-BT, які зазвичай надають пріоритет безпеці даних, нехтуючи при цьому обчислювальною безпекою. Машинне навчання широко використовується в інженерії для вирішення складних завдань, пропонуючи помітну точність і ефективність. Однак воно вразливе до загроз безпеці, таких як спотворення даних і корупція логіки. Блокчейн, зі своєю децентралізованою, прозорою та незмінною природою, досліджувався як засіб захисту інженерних даних. Проте традиційні процеси ML залишаються сприйнятливими до ризиків поза блокчейном, оскільки моделі ML часто виконуються поза середовищем блокчейн. Структура MLOB розміщує як дані, так і обчислювальні процеси на блокчейні, виконуючи їх як смарт-контракти для захисту записів виконання. Вона складається з чотирьох основних компонентів: ML придбання, яке передбачає навчання моделі ML для конкретного завдання; ML конвертації, яка адаптує навчена модель для розгортання на блокчейні; ML безпечного завантаження, що забезпечує безпеку передачі даних і моделі; та виконання моделі ML на основі консенсусу, що гарантує безпеку та точність обчислень. Щоб продемонструвати ефективність структури MLOB, дослідники створили прототип і застосували його для моніторингу прогресу внутрішнього будівництва. Вони порівняли структуру MLOB з трьома базовими методами і двома недавніми інтегрованими підходами ML-BT.

Результати показали, що структура MLOB значно підвищила безпеку, успішно захищаючи від шести конкретних атак. Вона також підтримувала високий рівень точності, демонструючи лише 0. 001 відмінності у середньому показнику перетворення (MIoU) в порівнянні з найкращим базовим методом. Хоча вона зазнала незначного зниження ефективності—в результаті чого затримка зросла на 0. 231 секунд в порівнянні з найбільш ефективним базовим методом—загальна продуктивність була задовільною для промислових застосувань. Крім цього, структура MLOB має управлінські наслідки. Вона заохочує організації до новаторства, інтегруючи передові технології, що потенційно веде до більш конкурентоспроможних інженерних практик. Крім того, вона допомагає зменшити ризики, пов’язані з безпекою даних і логіки, в такий спосіб оптимізуючи розподіл ресурсів та підвищуючи економічну стійкість. Проте у цієї структури є деякі обмеження. Вона пропонує обмежену підтримку для додатків, чутливих до затримок, і не має зручного користувацького інтерфейсу. Подальші дослідження будуть спрямовані на підвищення її ефективності та розробку більш доступного інтерфейсу користувача для покращення зручності використання та розширення її застосування в інженерних розрахунках.