Arquitectura de oráculo blockchain con validación de datos basada en procesos de aprendizaje de maquina
DOI:
https://doi.org/10.24054/rcta.v1i47.4103Palabras clave:
blockchain, aprendizaje de máquina, tratamiento de datos, toma de decisionesResumen
La creciente dependencia de contratos inteligentes en ecosistemas blockchain ha puesto en evidencia la necesidad de contar con mecanismos confiables para validar los datos que estos consumen desde fuentes externas, comúnmente gestionadas por oráculos. Este artículo presenta una arquitectura de oráculo blockchain que incorpora un sistema de validación de datos basado en técnicas de Machine Learning, con el objetivo de fortalecer la calidad de los datos antes de su incorporación a la cadena de bloques. La solución integra modelos supervisados y no supervisados para la detección de anomalías, clasificación multietiqueta, análisis de series temporales y detección de valores atípicos. El proceso de validación sigue el enfoque CRISP-DM y se complementa con un indicador de integridad de datos basado en estadísticas descriptivas y mecanismos de votación por mayoría (hard voting), que permite estimar automáticamente la aceptabilidad de los datos. Los resultados experimentales, obtenidos en un entorno de pruebas sobre contratos inteligentes funcionales, demuestran mejoras en la detección de inconsistencias y manipulación de datos, así como en la confiabilidad de las decisiones automatizadas. Esta propuesta aporta una estrategia sistemática y replicable para mitigar riesgos asociados al consumo de datos en aplicaciones blockchain.
Descargas
Referencias
C. Contini, F. Boncinelli, G. Piracci, G. Scozzafava, and L. Casini, “Can blockchain technology strengthen consumer preferences for credence attributes?,” Agric. Food Econ., vol. 11, no. 1, 2023, doi: 10.1186/s40100-023-00270-x.
M. Enayati et al., “Blockchain-Based Location Sharing in 5G Open RAN Infrastructure for Sustainable Communities,” Lect. Notes Networks Syst., vol. 333, pp. 571 – 585, 2022, doi: 10.1007/978-981-16-6309-3_54.
C. C. Ordoñez, M. M. Organero, G. Ramirez-Gonzalez, and J. C. Corrales, “Smart Contracts as a Tool to Support the Challenges of Buying and Selling Coffee Futures Contracts in Colombia,” Agric., vol. 14, no. 6, pp. 1–19, 2024, doi: 10.3390/agriculture14060845.
S. P. Tan et al., “A review on post-COVID-19 impacts and opportunities of agri-food supply chain in Malaysia,” PeerJ, vol. 11, 2023, doi: 10.7717/peerj.15228.
K. Almi’ani, Y. C. Lee, T. Alrawashdeh, and A. Pasdar, “Graph-Based Profiling of Blockchain Oracles,” IEEE Access, vol. 11, no. March, pp. 24995–25007, 2023, doi: 10.1109/ACCESS.2023.3254535.
G. Caldarelli, “Before Ethereum. The Origin and Evolution of Blockchain Oracles,” IEEE Access, vol. 11, no. April, pp. 50899–50917, 2023, doi: 10.1109/ACCESS.2023.3279106.
A. Beniiche, “A Study of Blockchain Oracles,” pp. 1–9, 2020, [Online]. Available: http://arxiv.org/abs/2004.07140.
S. Ellis, A. Juels, and S. Nazarov, “ChainLink: A Decentralized Oracle Network,” 2017. [Online]. Available: https://link.smartcontract.com/whitepaper.
Valencia-Payan, “Smart Contract to Traceability of Food Social Selling,” Comput. Mater. Contin., vol. 74, no. 3, pp. 4703 – 4728, 2023, doi: 10.32604/cmc.2023.031554.
M. Sharifi, T. Khatibi, M. H. Emamian, S. Sadat, H. Hashemi, and A. Fotouhi, “Development of glaucoma predictive model and risk factors assessment based on supervised models,” BioData Min., vol. 14, no. 1, 2021, doi: 10.1186/s13040-021-00281-8.
N. Peppes, E. Daskalakis, T. Alexakis, E. Adamopoulou, and K. Demestichas, “Performance of Machine Learning-Based Multi-Model Voting Ensemble Methods for Network Threat Detection in Agriculture 4.0,” Sensors, vol. 21, no. 22, 2021, doi: 10.3390/s21227475.
H. Zhang, S. Li, H. Bao, S. Wu, and J. Li, “A Trust-Aware and Cost-Optimized Blockchain Oracle Selection Model with Deep Reinforcement Learning.” 2025, doi: 10.48550/arXiv.2502.16133.
M. Di Gennaro, L. Italiano, G. Meroni, and G. Quattrocchi, “DeepThought: A Reputation and Voting-Based Blockchain Oracle,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 13740 LNCS, pp. 369–383, 2022, doi: 10.1007/978-3-031-20984-0_26.
P. Liu, Y. Xian, C. Yao, P. Wang, L. Wang, and X. Li, “A Trustworthy and Consistent Blockchain Oracle Scheme for Industrial Internet of Things,” IEEE Trans. Netw. Serv. Manag., vol. 21, no. 5, pp. 5135–5148, 2024, doi: 10.1109/TNSM.2024.3399837.
G. Palaiokrassas, S. Bouraga, and L. Tassiulas, “Machine Learning on Blockchain Data: A Systematic Mapping Study,” Elsevier BV, 2024, [Online]. Available: http://arxiv.org/abs/2403.17081.
S. Woo, J. Song, and S. Park, “A distributed oracle using intel SGX for blockchain-based IoT applications,” Sensors (Switzerland), vol. 20, no. 9, 2020, doi: 10.3390/s20092725.
H. Taherdoost, “Blockchain and Machine Learning: A Critical Review on Security,” Information, vol. 14, no. 5, 2023, doi: 10.3390/info14050295.
C. Connors and D. Sarkar, “Survey of prominent blockchain development platforms,” J. Netw. Comput. Appl., vol. 216, p. 103650, 2023, doi: https://doi.org/10.1016/j.jnca.2023.103650.
H. Xiong, M. Chen, C. Wu, Y. Zhao, and W. Yi, “Research on Progress of Blockchain Consensus Algorithm: A Review on Recent Progress of Blockchain Consensus Algorithms,” Futur. Internet, vol. 14, no. 2, 2022, doi: 10.3390/fi14020047.
C. C. Ordoñez, G. Ramirez-Gonzalez, and J. C. Corrales, “Enhancing Data Integrity in Blockchain Oracles Through Multi-Label Analysis,” Appl. Sci., vol. 15, no. 5, 2025, doi: 10.3390/app15052379.
C. De and G. Barrios-puente, “Cobertura de precios para el café, utilizando el mercado de futuro,” Rev. Mex. Ciencias Agrícolas, vol. 13, no. 6, pp. 1147–1154, 2022.
B. H. Shekar and G. Dagnew, “Grid Search-Based Hyperparameter Tuning and Classification of Microarray Cancer Data,” in 2019 Second International Conference on Advanced Computational and Communication Paradigms (ICACCP), 2019, pp. 1–8, doi: 10.1109/ICACCP.2019.8882943.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Cristian Camilo Ordoñez Quintero, Hugo Armando Ordoñez Erazo, Juan Sebastián Gonzalez Sanabria
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
