Machine learning-based (ML) systems are becoming the primary means of achieving the highest levels of productivity and effectiveness. Incorporating other advanced technologies, such as the Internet of Things (IoT), or e-Health systems, has made ML the first choice to help automate systems and predict future events. The execution environment of ML is always presenting contrasting types of threats, such as adversarial poisoning of training datasets or model parameters manipulation. Blockchain technology is known as a decentralized network of blocks that symbolizes means of protecting block content integrity and ensuring secure execution of operations.Existing studies partially incorporated Blockchain into the learning process. This paper proposes a more extensive secure way to protect the decision process of the learning model. Using smart contracts, this study executed the model’s decision by the reversal engineering of the learning model’s decision function from the extracted learning parameters. We deploy Support Vector Machine (SVM) and Multi-Layer Perceptron (MLP) classifiers decision functions on-chain for more comprehensive integration of Blockchain. The effectiveness of this proposed approach is measured by applying a case study of medical records. In a safe environment, SVM prediction scores were found to be higher than MLP. However, MLP had higher time efficiency.

C-ITS (Cooperative Intelligent Transport Systems) est une nouvelle technologie qui contribue à la réduction des accidents de la circulation et à l'amélioration de la sécurité routière. VANET ( V ehicular A d hoc Networks) sont un système STI basé sur la communication inter-véhicules par la transmission de messages de sécurité de base (BSM), qui sont vulnérables à une variété de comportements inappropriés. Pour résoudre ce défi, nous avons développé dans cet article un système de détection de mauvais comportement (MDS) basé sur une approche d'apprentissage automatisé pour identifier et catégoriser les messages de mauvais comportement délivrés par un véhicule sur les VANET à l'aide de la base de données d'extension VeReMi. Cette étude examine différents types de classification : dans la classification binaire, toutes sortes d'inconduites ont été regroupées en une seule catégorie « inconduite » ; cependant, dans la classification multi-classes pour trois classes, la mauvaise conduite a été divisée en deux classes : les attaques et les fautes. Le classificateur a des problèmes substantiels lors de l'apprentissage à partir de données déséquilibrées wLorsque vous travaillez avec des problèmes multi-classes, cela devient considérablement plus complexe. Les relations entre les catégories ne sont plus bien définies et il est facile de perdre en efficacité dans une classe tout en s'améliorant dans une autre. En conséquence, les résultats ne sont pas cohérents dans l'approche d'apprentissage classique pour la classification multi-classes lors de la classification des comportements répréhensibles dans différents types de classes de comportements répréhensibles. Pour résoudre ce problème, nous avons développé une approche nouvelle et puissante appelée "Approche d'apprentissage guidé pour la classification multi-classes" pour réduire le nombre de classes en combinant des comportements inappropriés comparables en un seul. Selon les résultats, le classificateur Random Forest surpasse les autres classificateurs.