В настоящее время рынок носимых устройств растет, на них хранится большой объем персональных данных

В настоящее время рынок носимых устройств растет, на них хранится большой объем персональных данных о здоровье, которые можно использовать для реализации различных приложений, связанных со здоровьем. Технология блокчейн прозрачно записывает эти огромные объемы данных о здоровье, что может оказать поддержку некоторым исследователям и коммерческим компаниям, а также защитить конфиденциальность поставщиков данных. Багчи и др. использовали нейронные сети для обработки различных типов сердечно-сосудистых клинических данных и интегрировали их в основной сердечно-сосудистый результат.

Эти результаты были переданы пациентам и врачам через разработанный механизм блокчейна. Чтобы справиться с низким качеством данных при совместном использовании данных, Zheng et al. предложил модуль проверки качества данных на основе машинного обучения. При интеграции в систему модуль может анализировать высококачественные данные, необходимые для связанных приложений.

5.2. Приложения безопасности

При постоянном развитии системы блокчейн совершенствование смарт-контрактов и механизмов стимулирования будет зависеть от возникновения злонамеренного поведения в системе. С одной стороны, такое злонамеренное поведение создает огромные проблемы для безопасности системы блокчейн. С другой стороны, большой объем данных, генерируемых блокчейном, повысит сложность проверки и обнаружения злонамеренного поведения. Интеграция блокчейна и искусственного интеллекта способствует улучшению существующей системы блокчейнов.

Смарт-контракты могут содержать неправильные коды и лазейки, что легко может привести к огромным финансовым потерям. Текущие методы обнаружения уязвимостей смарт-контрактов в основном ориентированы на символьное исполнение и методы динамического исполнения с низкой точностью. Liao et al. предложили метод обнаружения уязвимостей смарт-контрактов, а именно SoliAudit.

В этом методе используются как технологии статического, так и динамического тестирования, а также расширенные возможности обнаружения уязвимостей смарт-контрактов с помощью машинного обучения и динамических фаззеров. Метод SoliAudit позволил достичь точности определения уязвимостей до 90% на 17 979 образцах и по-прежнему может быстро адаптироваться к новым неизвестным слабым местам без экспертных знаний и предопределенных функций. Zhuang et al. также предложил метод обнаружения уязвимостей, объединенный с машинным обучением, с использованием метода графовой нейронной сети для обнаружения смарт-контрактов с другой точки зрения.

Ориентируясь на синтаксическую и семантическую структуру функции смарт-контракта, авторы построили граф контракта и разработали этап исключения для нормализации графа и выделения основных узлов. Кроме того, были предложены сверточная нейронная сеть с ненулевым графом и новая сеть распространения информации о времени, чтобы учиться на нормализованном графе и обнаруживать уязвимости смарт-контрактов.