Yashshah025/Crypto-Address-Collection-and-Categorization-System

# 加密货币地址分类与威胁情报流水线 一个全栈、基于机器学习的系统，旨在根据结构属性和链上行为代理对加密货币钱包地址进行分类，并识别潜在恶意实体（欺诈、诈骗、可疑行为者）。 ## 🚀 概述 该代码库包含一个 Flask 后端应用程序，配以响应式现代前端。它集成了一个智能、生产级的 ML 流水线，用于评估、分类和监控加密货币地址。该 ML 引擎利用 **XGBoost 分类器** 和 **Isolation Forest 异常检测器**，基于高维链上代理特征自动将钱包分类。 ### 核心功能 - **自动化 AI 分类**：将地址分类为 6 个主要类别：`Exchange`（交易所）、`Miner`（矿工）、`Fraud`（欺诈）、`Smart Contract`（智能合约）、`Suspicious`（可疑）和 `Individual`（个人）。 - **混合智能层**： - **XGBoost**：高度优化的多类概率系统，集成 SMOTE 用于不平衡类建模。 - **Isolation Forest**：分析结构和行为异常向量，以建立实时风险严重性评分。 - **BABD-13 特征工程**：综合 20 个不同的数据点，模拟比特币地址行为数据集（BABD-13），分析： - **结构**：地址熵、长度、字符多样性和前缀映射。 - **行为代理**：模拟强大的交易图，检查活动（PAI）、分布（PDI）、时间模式（PTI）和网络中心性（CI）。 - **可解释 AI (XAI)**：包括内置支持映射特征重要性（内置 SHAP 集成模块）以实现全局模型可解释性。 - **RESTful API 和 JWT 认证**：安全端点，用于通过 Web 客户端获取地址情报、生成报告、管理分类规则以及编排 ML 训练。 ## 📁 代码库结构 ``` ├── app.py # Main Flask Application Entry Point ├── crypto.db # SQLite Database File ├── extensions.py # SQLAlchemy & JWT Extensions Configuration ├── feature_engine.py # BABD-13 Proxy Feature Extraction Module ├── ml_classifier.py # ML Classifier Wrapper handling Inference & Risk Scoring ├── models.py # SQLAlchemy ORM Database Schemas ├── requirements.txt # Python Dependencies List ├── train_model.py # Centralized Trainer for XGBoost & Isolation Forest ├── verify_ml.py # ML Environment Verification Script ├── seed_real_data.py # Database bootstrapping/seeding routines ├── data/ # Directory intended for datasets (e.g., dataset_10m_ads.csv.zip) ├── frontend/ # Root for JS/CSS/HTML user interface │ ├── index.html # Login Page / Entry point │ ├── dashboard.html # Core Threat Intelligence Dashboard │ ├── addresses.html # Wallet Address Registry interface │ └── ... ├── model/ # Stores generated classifier.joblib & anomaly_detector.joblib └── routes/ # Modularized Flask Blueprint Routes (Auth, Dashboard, Reports, etc.) ``` ## 🧠 机器学习引擎 威胁分类器超越了简单的规则匹配，对地址行为中的复杂非线性关系进行建模： 1. **训练模式**：该模型能够自动解析热门数据集（BABD-13, MBAL，通用 CSV）。使用 `imbalanced-learn` SMOTE 功能严格处理不平衡数据集。 2. **特征提取器**：将简单的地址格式和合成关系交易映射到 20 个综合预测因子（Structural, PAI, PDI, PTI, CI, S）。 3. **异常/风险**：根据偏离规范的地址形状，通过评估 `IsolationForest` 决策函数，提供定制的连续 `risk_score`（介于 0.0 - 1.0 之间）。 ## 🛠️ 快速入门指南 ### 1. 要求与设置 确保已安装 Python 3.10+。 ``` # 克隆 repository git clone cd # 安装必要的 dependencies pip install -r requirements.txt ``` ### 2. 引导数据库与管理员用户 数据库通过 `app.py` 自动初始化。成功启动后，将创建一个本地 SQLite `crypto.db` 实例，其中包含允许立即使用仪表板的种子数据。 ``` # 运行 application backend 并启动 frontend python app.py ``` *应用程序默认绑定到 `http://127.0.0.1:5000/`。您可以使用 `admin@crypto.com` / `Admin@1234` 登录。* ### 3. 训练 ML 流水线 要准确激活预测层，请向系统提供数据集： ``` # 提供原始 CSV 文件的位置 python train_model.py --dataset data/dataset_10m_ads.csv.zip ``` *(您可以使用 `--quick`、`--val-size`、`--test-size` 或 `--sample` 等标志配置超参数。)* ## 🔒 端点概述 应用程序通过定义的 `Blueprints` 全面处理交互： * `/api/auth`：登录、身份验证管理。 * `/api/dashboard`：获取宏观层面的系统指标和顶级欺诈威胁。 * `/api/addresses`：触发 ML 预测和地址修改的深入分析。 * `/api/reports`：以多种格式（JSON/CSV）生成报告。 ## 📄 许可证 本项目是专有的，仅用于教育/分类情报测试。

标签：Apex, BABD-13, Flask, Isolation Forest, JWT认证, RESTful API, SHAP, SMOTE, Web仪表盘, XGBoost, 交易图谱, 人工智能, 加密货币, 区块链安全, 反欺诈, 可解释性AI, 地址分类, 威胁情报, 开发者工具, 异常检测, 恶意检测, 提示词优化, 数据可视化, 机器学习, 特征工程, 用户模式Hook绕过, 网络中心性, 逆向工具, 钱包追踪, 链上分析