DECENTRALIZED AI INFRASTRUCTURE: INTEGRATING BLOCKCHAIN WITH MLOPS AND DATA GOVERNANCE
DOI:
https://doi.org/10.66104/ht27fv95Palavras-chave:
Artificial Intelligence · Blockchain · MLOps · Data GovernanceResumo
Modern AI systems rely on complex infrastructure stacks involving data pipelines, machine learning operations (MLOps), and cloud services. However, centralized control of these components introduces risks related to data manipulation, lack of traceability, and governance failures. This article presents a decentralized AI infrastructure model where blockchain is integrated into MLOps workflows to enhance data governance, model traceability, and lifecycle transparency. Smart contracts are used to enforce governance policies, control access to datasets, and register model artifacts throughout their lifecycle. The proposed architecture demonstrates how blockchain can complement existing AI infrastructure by providing decentralized coordination, auditability, and policy enforcement without compromising performance or scalability.
Downloads
Referências
[1] A. Ahmad et al. Predictive cyber defense: Integrating deep learning with blockchain for real-time threat detection.
Journal of Cybersecurity Research, 12(2):45–60, 2024.
[2] R. Venkatesan and W. Rahayu. Tamper-proof threat logs: A blockchain approach to data governance. Journal of
Information Security, 15(4):188–204, 2024.
[3] P. Bhalchandra. Model integrity and data provenance in secure ai deployment. Journal of Machine Learning
Operations, 7(4):301–318, 2024.
[4] S. Behara and S. Khandrika. Smart contracts for automated governance in distributed systems. Blockchain
Technology Review, 4(2):88–95, 2020.
[5] A. Malik et al. Predictive defense mechanisms: The convergence of bc and ml. Journal of Digital Transformation,
8(2):112–128, 2024.
[6] N. Petrovi´c. Model provenance and secure versioning in decentralized environments. Blockchain & AI Convergence
Journal, 5(3):90–105, 2022.
[7] W. Uriawan et al. Decentralized ai governance using blockchain for security transparency. Scientific Journal of AI
and Blockchain Technologies, 1(1):28–36, 2025.
[8] M. Ridwan. Blockchain layers for model provenance: A review of decentralized mlops. International Journal of
Artificial Intelligence Applications, 13(1):97–110, 2025.
[9] I. Almomani et al. Verifiable audit trails for healthcare ai using permissioned blockchains. Journal of Medical
Systems & AI, 9(3):210–225, 2024.
[10] S. Bhagwat. Distributed accountability in ai: Scaling governance via decentralized nodes. Tech-Science Quarterly,
21(1):55–67, 2025.
[11] O. Olutimehin. Machine learning as the engine for predictive cyber defense. AI & Security Today, 6(1):33–47,
2025.
[12] M. W. Arham. Transforming auditing through ai and blockchain: A comprehensive study on adoption and impact.
American Journal of Industrial and Business Management, 15:225–241, 2025.
[13] L. Yang, J. Su, and M. Elsisi. Guarding against data poisoning: Blockchain-verified training sets. Sensors and
Actuators, 32(1):500–515, 2025.
[14] S. Fatima and M. Arshad. Synergistic integration of ml and blockchain for threat analysis. Global Security Review,
14(1):12–29, 2025.
[15] S. Goundar. Building resilient cyber defense systems with blockchain backbones. International Journal of
Distributed Systems, 19(3):44–58, 2024.
[16] Z. Zheng et al. Decentralized governance and ai policy with blockchain-based voting. Frontiers in Research
Metrics and Analytics, 8:1035123, 2023.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2026 JESSICA SCIAMMARELLI
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista;
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista, desde que adpatado ao template do repositório em questão;
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
- Os autores são responsáveis por inserir corretamente seus dados, incluindo nome, palavras-chave, resumos e demais informações, definindo assim a forma como desejam ser citados. Dessa forma, o corpo editorial da revista não se responsabiliza por eventuais erros ou inconsistências nesses registros.
POLÍTICA DE PRIVACIDADE
Os nomes e endereços informados nesta revista serão usados exclusivamente para os serviços prestados por esta publicação, não sendo disponibilizados para outras finalidades ou a terceiros.
Obs: todo o conteúdo do trabalho é de responsabilidade do autor e orientador.
