Ghost Wallet Hunter

Este projeto nasceu como uma resposta ao desafio de desenvolvimento do JuliaOS, um novo framework focado em inteligência de enxame (swarm intelligence) e computação descentralizada de alta performance.

O JuliaOS não é apenas uma stack, é um ecossistema evolutivo que conecta agentes, protocolos e pessoas. Sua arquitetura modular e radicalmente aberta permitiu que eu construísse o Ghost Wallet Hunter com uma eficiência de execução 100x superior ao Python, essencial para a análise forense em tempo real na Solana.

O coração do sistema é uma arquitetura multi-agente onde cada 'Detetive' possui uma responsabilidade única, implementada como uma thread isolada em Julia:

Poirot (Análise Transacional): Especialista em parsing de transações brutas (RPC), normalizando dados de instruções complexas da Solana.

Marple (Detecção de Padrões): Motor de reconhecimento de padrões que varre o histórico em busca de assinaturas de exploits conhecidos (Rug Pulls, Honeypots).

Spade (Avaliação de Risco): Calcula o 'Risk Score' da carteira baseando-se em modelos estatísticos e heurísticas de fraude.

Marlowe (Investigação Profunda): Realiza 'Deep Tracing', seguindo o fluxo do dinheiro através de mixers e bridges.

Dupin (Dedução Analítica): O agente analítico que cruza dados on-chain com blacklists externas e inteligência de ameaças.

Shadow (Análise de Rede): Constrói o grafo de relacionamentos (Graph Theory), identificando clusters de carteiras coordenadas (Sybil attacks).

Raven (Síntese de Relatório): O sintetizador que agrega os outputs assíncronos de todos os agentes em um relatório JSON unificado para o frontend.

Para lidar com o volume massivo de dados da Solana, construí o backend em Julia. A linguagem oferece performance comparável a C/C++ com a facilidade do Python, essencial para processar grafos complexos de transações em milissegundos.

Utilizei Oxygen.jl como servidor de API leve e rápido, integrado diretamente com pools de RPCs da Solana para ingestão de dados sem latência.

Implementei algoritmos avançados para detectar comportamentos anômalos, como Draining Patterns (esvaziamento rápido de carteiras) e LP Exploitation (interações suspeitas com pools de liquidez).

A análise de grafos permite identificar clusters de carteiras operando em conjunto, revelando redes de 'smurfing' e lavagem de dinheiro que seriam invisíveis a análises individuais.

A interface construída em React oferece ferramentas visuais poderosas para os investigadores. Utilizei Three.js para renderizar grafos de transações em 3D, permitindo uma navegação intuitiva pelo fluxo do dinheiro.

O estado da aplicação é gerenciado via Zustand, garantindo uma experiência fluida mesmo ao manipular grandes conjuntos de dados de investigação.