Systeemitason ratkaisuilla tarkoitetaan millä keinoin ja minkälaiseen ympäristöön lohko-ketjupohjaisia systeemeitä on rakennettu tai kaavailtu. Teknologisilla ratkaisuilla taas vii-tataan siihen, minkälaisia teknisiä ratkaisuita on tehty. Tässä kappaleessa kuvaan myös eri teknologioiden yhteensopivuutta ja niiden tuomaa lisäarvoa.
Pärssinen kollegoineen (2018) tutki lohkoketjuteknologian mahdollisuuksia verkkomai-nonnan ympäristössä. He päätyivät tutkimuksessaan toteamaan, ettei lohkoketjuteknolo-giaa kannata vielä ottaa käyttöön verkkomainonnassa sen keskeneräisen luonteen takia.
Ongelmia ilmenee ainakin skaalautuvuudessa, läpinäkyvyydessä, lohkojen muokkauk-sessa, informaation laadussa ja tietojen varmennuksessa. He ehdottavat skaalautuvuuson-gelmiin uudenlaisten konsensusmenkanismien luomista PoW:n tai PoS:n tilalle, koska ne vievät liian paljon aikaa. Heidän mukaansa konsensusmekanismia ei tarvita, vaan lohko-ketjun yksittäiset solmut voisivat luoda omia ketjujaan, joka nopeuttaisi verkon toimintaa huomattavasti. Läpinäkyvyyden suhdetta yksityisyyteen voisi parantaa rakentamalla kryptografisia kerroksia lohkoketjuprotokollaan, joilla voisi kerroksittain lisätä tai vähen-tää yksityisyyden suojaa. Lohkojen muokkaus ei tämänhetkisen teknologian turvin ole mahdollista, joten se jää tutkittavaksi tulevaisuuteen. Informaation laatuun he kaavailevat tiedon laadun pisteytysjärjestelmää ja varmennukseen salausavainten käyttöä.
Lohkoket-jupohjaisessa verkkomainonnan ekosysteemissä arvonsiirto tapahtuisi tokeneilla. Toke-neiden volatiilinen luonne, eli vaihteleva arvonmuutos on myös ongelmallista ja ei aina-kaan tällä hetkellä vielä sovellu verkkomainonnan ympäristöön. (Pärssinen ym. 2018)
Yinsheng Li tutkimusryhmineen (2018) tarkasteli autonomista lohkoketjupohjaista luot-tojärjestelmää. Lohkoketjupohjainen järjestelmä eroaa nykyisestä järjestelmästä ominai-suudellaan toimia ilman kolmatta varmentavaa osapuolta. Lohkoketjupohjaiseen järjes-telmään voidaan ohjelmoida kaikki luottojärjestelmän vaadittavat ominaisuudet, kuten esimerkiksi luottokelpoisuus. Luottokelpoisuuden ympärille voidaan rakentaa autonomi-nen lohkoketjupohjaiautonomi-nen ekosysteemi hyödyntämällä kryptografiaa tietojen salauksessa sekä varmennuksessa. Älysopimusten avulla tietyt luottojärjestelmälle ominaiset piirteet voitaisiin automatisoida. Tämä uusi järjestelmä mahdollistaisi avoimen, tasavertaisen ja luottokelpoisen infrastruktuurin, jonka ansioista tiedot olisivat dynaamisia, jäljitettäviä ja integroituvia. Kirjoittajat uskovatkin tämän kaltaisen järjestelmän syrjäyttävän nykyiset järjestelmät. Lohkoketjuteknologian mahdollistama luottojärjestelmä on kuitenkin vielä kehitysvaiheessa ja sen rakennukseen tarvitaan vielä paljon tutkimusta ja kokeiluja ennen kuin sitä voisi edes harkita syrjäyttämään nykyisiä järjestelmiä. (Li ym. 2018.)
Lisääntyneen datan ja datan omistajuuden ympärille Jinchuan Chen ja Yunzhi Xue (2018) esittävät lohkoketjupohjaista ekosysteemiä datan vaihdantaan. Tässä mallissa datan omis-taja tuo datan ekosysteemiin. Datan omistajia voivat olla sekä yksilöt että organisaatiot tai yritykset. Datan julkaisija varmentaa datan ja mahdollisesti yhdistelee asiakkaan ha-luamia datakokonaisuuksia. Asiakas taas ostaa tiettyjä datakokonaisuuksia julkaisijalta API:n kautta. Tässä järjestelmässä kaikki siirrot tallentuvat lohkoketjuun ja ovat datan omistajalle ja julkaisijalle nähtävissä. Koko protokolla voidaan ohjelmoida lohkoketjuun ja API:en kautta asiakkaat saavat tarvitsemansa datan yhdistettyä omiin järjestelmiinsä.
Tämän kaltaisen järjestelmän uskotaan lisäävän datan vaihdantaa, datan omistajan oi-keuksia sekä datan laajamittaisempaa hyödyntämistä. Järjestelmässä on kuitenkin vielä kehiteltävää tekijänoikeuksien suojelemisen parantamisessa, oikean konsensusprotokol-lan rakentamisessa sekä vastineeksi datasta tulevan valuutan valinnassa. (Chen & Xue 2018.)
Lohkoketjuteknologian käyttöä on tutkittu myös terveydenhuollon näkökulmasta. Igor Kotsiuba kumppaneineen (2018) esittää terveystietojen hajautettua ekosysteemiä, jossa tavoitteena on terveyspalvelujen laadun parantaminen. Tämä malli lisäisi tiedon määrää terveydenhuollossa, mutta samalla se suojaisi asiakkaan henkilökohtaisia tietoja. Asiakas pystyisi tarkkailemaan omia tietojaan reaaliaikaisesti järjestelmään implikoidun aplikaa-tion avulla. Mallin avulla voitaisiin rakentaa myös terveysdatan vaihtopörssi, jossa asiak-kaat voisivat myydä terveystietojaan lääkefirmoille, vakuutusyhtiöille ja tutkimusryh-mille. Kotsiuba kumppaneineen pitää tätä siirtymisenä big datasta smart dataan, jolloin datasta hyötyy suurempi joukko toimijoita. He myöntävät kuitenkin että tällä teoreetti-sella mallilla on käytännön esteitä. Ensinnäkin tekniset ratkaisut eivät vielä ole valmiita tällaisiin ratkaisuihin ja toisekseen lait ja säätely estävät osittain hahmotellun toiminnan.
(Kotsiuba ym. 2018.)
Alex Roehrs (2018) tutkimusryhmineen kartoitti hyvinvointitietojen (personal health re-cords) ja potilasasiakirjojen (electronic health rere-cords)) liikkumista palveluntarjoajien vä-lillä pohjautuen OmniPHR arkkitehtuuriin. OmniPHR-malli perustuu ajatukseen, jonka mukaan terveystietojen ympärille on rakennettu arkkitehtuuri, joka mahdollistaa niiden katselemisen eri toimipisteissä. Roehrsin ym. malli pohjautuu myös lohkoketjuteknolo-giaan. Testatessaan malliaan he havaitsivat sillä olevan hyvän saatavuuden eri toimijat huomioiden. Malli tavoitti 98% testaukseen osallistuneista toimijoista. He havaitsivat myös kun liikenne lohkoketjussa kasvaa, vasteaika tietojen saatavuuteen nousee. Mitä enemmän tietoja lohkoketjussa liikkuu, sen hitaammaksi vasteaika muuttuu. Testaukses-saan he saavuttivat 500ms vasteajan, mutta testattava datan määrä oli kuitenkin suhteel-lisen pieni. Mallia tulisi testata vielä suuremmalla datamäärällä, jotta saataisiin realisti-sempia tuloksia. (Roehrs ym. 2018.)
Dean Rakic (2018) esittää lohkoketjuteknologian potentiaalisia käyttökohteita terveyden-huollossa. Tietoja potilaista voisi kerätä IoT-laitteiden avulla, josta tiedot tallentuisivat lohkoketjuun. Kliiniset kokeiden ja tutkimusten tekijät hyötyisivät lohkoketjuun tallen-netuista tiedoista. Tietojen perusteella voitaisiin myös rakentaa ennaltaehkäiseviä mal-leja. Myös erilaiset terveydenhuollon maksuihin liittyvät tekijät voisivat hyötyä lohko-ketjuteknologiasta älysopimusten ja mikromaksamisen kautta. Kaikki nämä tekijät tarvit-sevat kuitenkin yhteensopivuuden nykyisten järjestelmien ja tietoarkkitehtuurin kanssa.
Yhteensopivuuden (interoperability) ongelma onkin yksi tärkeimmistä ratkaistavista asi-oista jos halutaan käyttää lohkoketjuteknologiaa terveydenhuollossa. (Rakic 2018.)
Zonyin Shae & Jeffrey J.P Tsai (2017) havaitsivat myös yhteensopivuuden ongelman ter-veydenhuoltoon liittyen. He esittävät kliiniseen tutkimukseen ja lääkehuoltoon rakennet-tua lohkoketjuteknologiaan pohjautuvaa alustaa. He nimeävät neljä uutta komponenttia joiden pohjalle alustan arkkitehtuuri voisi rakentua. Ensinnäkin pitäisi luoda uusi lohko-ketjuteknologiaan pohjautuva jaettu ja rinnakkainen tietojenkäsittelykomponentti rinnak-kaisen laskennan suunnittelemiseksi ja tutkimiseksi. Tämä komponentti hyödyntäsi myös big-data analytiikkaa. Toiseksi pitäisi rakentaa lohkoketjuun tallennettujen tietojen hal-lintakomponentti, jonka ansiosta tiedot olisivat eheitä ja big data:n kanssa yhteensopivia.
Kolmanneksi tulisi luoda identiteetin hallintakomponentti suojelemaan sekä yksilön että IoT-laitteiden yksityisyyttä. Ja viimeiseksi luottamukseen perustuva datan jakamiskom-ponentti, joka pohjautuu tietojen luotettavaan jakamiseen ja käyttämiseen ekosystee-missä. (Shae & Tsai 2017.)
Lohkoketju näyttääkin soveltuvan hyvin ulkoisten IoT-laitteista kerätyn datan tietokan-tana. Ulkoisten laitteiden lisäksi täytyy muistaa myös ihmiseen sulautetut laitteet, kuten sydämentahdistimet, älykkäät verensokerin mittaajat ja kehon aktiivisuuden mittaajat.
Näistä laitteista kerätty data on hyvin arvokasta ennaltaehkäisevän terveydenhuollon nä-kökulma huomioiden. Onkin rakennettava käyttöliittymiä, missä henkilö ja terveyden-huollon ammattilaiset saavat päivittäistä tietoa terveydentilasta, jota laitteet mittavat. Tie-toja voi analysoida älykäs algoritmi, joka havaitsee ongelman heti, jos sellainen ilmaan-tuu. (Brogan ym. 2018.)
IoT-laitteiden lisäksi tekoälyn hyödyntäminen on liitetty vahvasti lohkoketjuteknologi-aan. Tekoälyä voi hyödyntää esimerkiksi terveydenhuollossa usealla eri osa-alueella. Te-koäly voi analysoida kuvia, videoita tai mitä tahansa dataa ja luoda datasta johtopäätöksiä päätöksenteon tueksi. Tekoäly tarvitsee kuitenkin dataa, mistä tekee johtopäätöksiä. Loh-koketjuteknologian hajautettu tietokanta nähdään turvallisena datan säilytyspaikkana, josta tekoäly voisi kerätä tietoja ja analysoida niitä. (Mamoshina ym. 2018.)
Hai Jin, Xiaohai Dai ja Jiang Xiao (2018) tutkivat yhteensopivuuden ongelmaa, kun tar-kastellaan eri lohkoketjujärjestelmien yhteensopivuutta toistensa kanssa. Yhteensopivuu-den ongelmalla tarkoitetaan sitä kun esimerkiksi kaksi tietojärjestelmää tai tässä tapauk-sessa lohkoketjujärjestelmää eivät kommunikoi keskenään. Ne on rakennettu palvele-maan eri käyttötarkoituksia omaa toimintaansa silmällä pitäen. Lohkoketjujärjestelmissä ongelmaksi voi muodostua se ettei dataa pysty monistamaan. Eli jos halutaan viedä dataa lohkoketjusta A lohkoketjuun B, tieto häviää lohkoketjusta A. Myös tiedonsiirtojen (transactions) formaatti vaihtelee lohkoketjujen välillä, joten siirto ei onnistu suoraan loh-koketjusta A lohkoketjuun B. Eri ketjujen konsensusmekanismit eroavat myös toisistaan.
Lohkoketjujen väliin tarvitaan siis muuntaja ja varmistaja. Muuntaja muuntaisi siirrot aina kullekin lohkoketjulle sopivaan formaattiin ja varmentaisi myös älysopimusten avulla tietojen siirtymisen. Uusia järjestelmiä suunniteltaessa onkin huomioitava suurem-man linjan arkkitehtuuri ja API-pohjainen suunnittelu, että infrastruktuurin on helppo liit-tyä myös jälkikäteen. (Jin ym. 2018.)
Lohkoketjuteknologiaa on tutkittu myös palveluekosysteemin näkökulmasta. Palve-luekosysteemi rakentuu ohjelmointirajapinnoille useasta eri palvelusta. Palvelualustana on yleensä keskitetty hallinnoija. Palveluekosysteemissä on kolmenkaltaisia tunnistettuja rooleja: käyttäjät, kehittäjät ja hallinnoijat. Kehittäjät voivat liittää palvelunsa API:n kautta palvelualustaan. Käyttäjät taas etsivät palvelualustan avulla tarvitsemiaan palve-luita kehittäjiltä. Hallinnoijat taas pyrkivät pitämään palvelualustan toimivana, turvalli-sena ja houkuttelevana käyttäjille sekä kehittäjille. Keskitetyissä järjestelmissä on ha-vaittu heikkouksia, jotka lohkoketjuteknologia voisi ratkaista. Ongelmia on luotettavuu-dessa, yksityisyydessä ja turvallisuuluotettavuu-dessa, kannustinjärjestelmissä ja kustannustehok-kaissa ratkaisuissa. Kaikki luetellut ongelmat voidaan teorian tasolla ratkaista lohkoket-juteknologian avulla. Kirjoittajien mallissa ratkaisuksi on valittu konsortio-lohkoketju, jota edustaa esimerkiksi hyperledger fabric. Konsortiolohkoketju kuvaa toimijoiden kumppanuutta ja alojen välistä yhteistyötä, siksi sitä voidaan pitää luonnollisena valintana hajautettua palveluekosysteemiä luodessa. (Gao ym. 2018.)
Lohkoketjuteknologiaa on esitetty myös opiskelijadatan varmennukseen, seurantaan ja analysointiin. Se mahdollistaa turvallisen ja muuttumattoman tietokannan
opiskelijada-talle. Muuttumaton data on erittäin arvokasta myös analytiikkaa silmällä pitäen. Lohko-ketjusta myös näkee, kuka tiedon on sinne lisännyt esimerkiksi oppilaan arvosanasta. Ins-tituutiot ja oppilaitokset tarvitsevat järjestelmiä, joissa on sisäänrakennettu (privacy by design) turvallisuus, luottamus ja yksityisyys. Lohkoketjuteknologia sopii tähän kuvauk-seen. (Filva ym. 2018.)
Reza & Dehghantanha (2018) tutkivat pelillistämistä lohkoketjuteknologian kontekstissa.
Kapsammer tutkimusryhmineen (2017) kuvasi vapaaehtoistyön digitaalista ekosysteemiä lohkoketjuteknologiaan pohjautuen. Lohkoketjuteknologian saa siis liitettyä miltei mihin tahansa toimialaan. Ominaista näille uusille alustoille ja ekosysteemeille on avoimet oh-jelmistorajapinnat ja hajautettu rakenne, joita lohkoketjuteknologia palvelee hyvin.
Li ryhmineen (2018) toteaa tiedon jakamisen olevan erittäin tärkeässä roolissa, kun tar-kastellaan tuotteiden valmistusprosessien ekosysteemeitä. Nykyisellään ekosysteemit ovat keskitettyjä, mutta Li ryhmineen ehdottaa siirtymistä keskitetyistä systeemeistä ha-jautettuihin ekosysteemeihin. Ehdotettu lohkoketjuteknologiaan pohjautuva malli on tur-vallisempi ja sen hallinnointitapa tukee tiedon jakamista ekosysteemin kaikille jäsenille.
Sen ylläpitäminen ei ole myöskään niin kallista kuin keskitetyssä järjestelmässä. Kaiken kaikkiaan lohkoketjupohjainen ekosysteemi parantaisi tiedon laatua, tehokkuutta ja osa-puolten vaikuttavuutta itse valmistusprosessissa ja palveluissa. (Li ym. 2018.)
The internet of things (IoT) suomennettuna esineiden internet on yksi uusista teknologi-oista joka on saanut jalansijaa myös käytettävyytensä puolesta. YangQun Li (2018) tutki avoimen lähdekoodin IoT teknologiaa ja vertaili erilaisia käytettyjä ratkaisuita laitehal-linnan, datan hallinnoinnin, datan kommunikoinnin, turvallisuuden ja yksityisyyden nä-kökulmasta. Selvityksessään hän päätyi lohkoketjupohjaisen alustan tukevan parhaiten tarkasteltuja ominaisuuksia. Hän testasi lohkoketjun teknisiä ominaisuuksia IoT-proto-kollien kanssa. Pienen sensoridatan tapauksessa lohkoketjupohjainen järjestelmä toimi hyvin ja vakaasti, mutta lisää testausta kuitenkin vaaditaan protokollan toimivuuden var-mentamiseksi. Li ehdottaa myös tekoälypohjaisen analyysijärjestelmän liittämistä IoT-protokollaan. IoT toimii datan kerääjänä, lohkoketjuteknologia toimii hyvänä ja turvalli-sena alustana jossa dataa voi säilyttää ja tekoäly käsittelee ja analysoi alustalla olevaa dataa. Voidaankin puhua teknologioiden disruptiosta. (Li 2018.) Bin Yu kollegoineen
(2018) sekä Tim Weingärtner (2019) jakavat ajatuksen IoT:n ja lohkoketjuteknologian toisiaan täydentävistä ominaisuuksista.
Faber kumppaneineen (2018) suunnitteli omadata periaatteen ympärille rakentuvaa loh-koketjuratkaisua. Malli koostuu kuudesta osa-alueesta jotka ovat:
1. Käyttäjäkeskeisyys: antaa vallan käyttäjälle
2. Läpinäkyvyys: käyttäjä tietää miten, missä ja kuka hänen dataansa käyttää 3. Tietosuoja-asetus (GDPR) yhteensopivuus: Oikeus omien tietojen poistoon ja
muokkaukseen
4. Dataekonomia: luoda datalle arvoa, jota voi vaihtaa 5. Varmennettu data: On arvokasta palveluiden tuottajille
6. Turvallisuus: käyttäjädata on tallennettu kryptografisen suojauksen taakse salaus-avainten avulla
Malli rakentuu kolmelle eri kerrokselle jotka ovat:
1. Identiteetin varmentamisen kerros 2. Yksityisyyskerros
3. Älysopimuksien kerros
Scott Turing (2018) esittelee tutkimuksessaan älykkään ekoverkoston (Intelligent eco net-working) ideaa. Verkosto on edistyksellinen tulevaisuuden internetin infrastruktuuri, jossa arvokas data on avainasemassa. Verkoston toiminta perustuu datan vaihdantaan, jota tekee osittain myös tekoälyn ja IoT-laitteiden kombinaatio. Tekoäly arvio tiedon ar-vokkuuden ekosysteemin toimijoille ja mittaa verkkoresurssien tehokasta käyttöä. Hajau-tetun konsensusprotokolla sekä tiedon tokenisoinnin tarjoaa lohkoketjuteknologia. Myös Turingin ekoverkosto rakentuu lohkoketjun päälle rakentuvista erillisistä kerroksista.
(Turing 2018.)