Έλεγχος συναλλαγών στο blockchain μέσω κατανεμημένης off-chain μηχανικής μάθησης

Abstract

Η εποχή που ζούμε χαρακτηρίζεται σε μεγάλο βαθμό από την κατακόρυφη αύξηση της παραγωγής δεδομένων. Είναι αρκετές οι φορές που τα πιο πλούσια σε αξία δεδομένα είναι και αυτά που διαφέρουν από την κανονικότητα του συνόλου, είναι δηλαδή έκτοπα, και σηματοδοτούν ένα αξιόλογο γεγονός. Η έγκαιρη ταυτοποίηση των έκτοπων αυτών δειγμάτων από έξυπνα συστήματα τεχνητής νοημοσύνης μπορεί να φανεί ιδιαιτέρως χρήσιμη στην αντιμετώπιση σύγχρονων προβλημάτων, όπως το φαινόμενο της απάτης στις ηλεκτρονικές συναλλαγές και ο προσδιορισμός μεταλλάξεων μίας ασθένειας στο κομμάτι της υγείας. Παρ ’όλα αυτά και στις δύο περιπτώσεις τα δεδομένα είναι ευαίσθητα και γεωγραφικώς κατανεμημένα, άρα προσβάσιμα από μικρή μερίδα οργανισμών. Η τεχνολογία του blockchain μπορεί να υποστηρίξει κατανεμημένα δίκτυα αποφάσεων που διασφαλίζουν την προστασία των δεδομένων που διακινούνται στο εσωτερικό τους. Η παρούσα διπλωματική προτείνει μία ολοκληρωμένη αρχιτεκτονική συνεργασίας οργανισμών, βασισμένη στο Ethereum blockchain, με σκοπό την αντιμετώπιση του προβλήματος αναγνώρισης έκτοπων δεδομένων. Οι συμμετέχοντες οργανισμοί μπορούν μέσω oracles και με τη βοήθεια του IPFS να προσκομίσουν ογκώδη δεδομένα στο δίκτυο και να παρέχουν εκτιμήσεις πάνω σε αυτά με τα μοντέλα μηχανικής μάθησης που έχουν στη διάθεσή τους. Μέσω δοκιμών σε σενάρια διαπιστώνεται πως η αρχιτεκτονική αυτή μπορεί να παράξει συνολικά καλύτερες εκτιμήσεις ως προς τη μετρική “f1-macro-avg”, από την πλειονότητα των οργανισμών που την απαρτίζουν.