Data reliability in a blockchain traceability network

Abstract

Background: Traceability is the ability to identify and track the history, distribution, location, and application of products, parts and materials of a final product, so that reliability is ensured. Blockchain technology has come to significantly transform information management in the different branches where it has been applied from health care systems, cryptocurrencies, and food traceability, among others. Blockchain technology could also present new threats to traceability processes. For this reason, data reliability, human errors, and the reliability of sensor-generated measurements, must be considered. Goals: this research will focus on data reliability before being appended to a new block in a Blockchain traceability network. So, to validate the sensed data at the time of transaction arrival in a Blockchain traceability network, this work proposes using data analysis and machine learning (ML) algorithms in conjunction with smart contracts. Methods: The generation of semantic anomaly detection rules from machine learning models is proposed. Using historical data from the Blockchain network deployed, the developed tool can generate an anomalies classification model based on the Z-Score and Decision Tree. From this model, a function can be built in JavaScript and GO to detect semantic anomalies in incoming transaction data that using a smart contract. Additionally, the smart contract can detect syntaxis errors. Results: A set of data collected from two production sites as part of a pilot test. Autonomous anomaly detection tool for smart contracts. An autonomous deployment tool for blockchain test networks. An anomaly detection strategy for blockchain-based traceability schemes. Conclusions: We manage to develop a strategy to give a smart contract the ability to detect syntaxis and semantics anomalies in the data of Blockchain transactions in a traceability scheme. This strategy can translate Random Forest and Decision Tree rules into Go and JavaScript for smart contracts supported by Hyperledger Fabric. This strategy proves useful in traceability scheme in supply chains were most of the traced data is generated autonomously. Some of those data might be corrupted during transmission from the sensors to the database or during manual data conversion processes.

Antecedentes: Trazabilidad es la capacidad de identificar y rastrear el historial, la distribución, la ubicación, la aplicación de productos, piezas y materiales de un producto final, de modo que se garantice la confiabilidad. La tecnología Blockchain ha llegado a transformar significativamente la gestión de la información en las diferentes ramas donde se ha aplicado desde sistemas de salud, criptomonedas, trazabilidad de alimentos entre otros. La tecnología Blockchain también podría presentar nuevas amenazas a los procesos de trazabilidad. Por esta razón, se debe considerar la confiabilidad de los datos, los errores humanos y la confiabilidad de las mediciones generadas por sensores. Objetivos: Esta investigación se centrará en la fiabilidad de los datos antes de ser anexada a un nuevo bloque en una red de trazabilidad Blockchain. Por lo tanto, para validar los datos detectados en el momento de la llegada de la transacción en una red de trazabilidad Blockchain, este trabajo propone el uso de algoritmos de análisis de datos y aprendizaje automático junto con contratos inteligentes. Métodos: Se propone la generación de reglas de detección de anomalías semánticas a partir de modelos de machine learning. Utilizando datos históricos de la red Blockchain desplegada, la herramienta desarrollada puede generar un modelo de clasificación de anomalías basado en el Z-Score y el Árbol de Decisión. A partir de este modelo, se puede construir una función en JavaScript y GO para detectar anomalías semánticas en los datos de transacciones entrantes que serán utilizados por el contrato inteligente. Además, el contrato inteligente es capaz de detectar errores de sintaxis. Resultados: Conjunto de datos recogidos de dos centros de producción como parte de una prueba piloto de desarrollo. Herramienta autónoma de detección de anomalías para contratos inteligentes. Herramienta de despliegue autónomo para redes de prueba de blockchain. Una estrategia de detección de anomalías para esquemas de trazabilidad basados en blockchain. Conclusiones: Logramos desarrollar una estrategia para dar a un contrato inteligente la capacidad de detectar anomalías de sintaxis y semánticas. Esta estrategia es capaz de traducir las reglas de dos algoritmos de aprendizaje máquina para su uso en contratos inteligentes. Esta estrategia demuestra ser útil en el esquema de trazabilidad en las cadenas de suministro donde la mayoría de los datos rastreados se generan de forma autónoma y pueden estar dañados durante la transmisión o durante los procesos manuales de conversión de datos.