Blockchain-Driven Supply Chain Visibility with .Net and Azure Confidential Ledger: Design and Implementation Strategies
Notice bibliographique
Résumé
The growing demand for transparency and trust in supply chain systems has accelerated the adoption of decentralized technologies capable of delivering tamper-proof and verifiable transaction histories. This paper presents a blockchain-integrated framework built on .NET and Azure Confidential Ledger to enhance supply chain visibility and traceability across distributed logistics networks. The proposed system leverages the immutability of blockchain and the confidentiality guarantees of trusted execution environments to securely record and validate every logistical event—from procurement to final delivery—without exposing sensitive operational data. By integrating Azure Confidential Ledger with ASP.NET Core microservices, the framework ensures secure data logging and access control while maintaining compatibility with enterprise-grade identity and authorization mechanisms. Data is ingested through RESTful APIs and processed using Entity Framework Core for transactional integrity. A modular architecture allows easy extension into existing logistics platforms while providing real-time dashboards and alerting via SignalR and Power BI. Experimental evaluation demonstrates the system’s efficiency in handling concurrent events, maintaining low latency, and preventing unauthorized data modifications. This study offers a scalable and privacy-preserving design pattern for organizations aiming to modernize supply chain management using blockchain technology in secure cloud environments, establishing a foundation for future innovations in decentralized logistics infrastructure
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».