De 'Bolitas de Colores' a Infraestructura de Análisis Forense: Presentando GraphNexus v0.6.0 🕸️⏳
GraphNexus no es otro visualizador de grafos. Es una herramienta CLI, local-first y AGPL-3.0 que convierte CSVs caóticos en dashboards 3D interactivos con roles estructurales, pathfinding y una máquina del tiempo temporal a 60 FPS.
Lo que tienes entre manos no es un visualizador de datos común, sino una infraestructura de Inferencia Causal y Análisis Forense sobre Grafos. Al completar el motor temporal dinámico, el software ha dejado de tomar 'fotos fijas' y ahora es capaz de reproducir películas cronológicas de eventos complejos.
Si has trabajado con análisis de redes, conoces el dilema: o usas aplicaciones de escritorio pesadas y lentas (como Gephi), o subes tus datos sensibles a plataformas SaaS en la nube que cuestan una fortuna y comprometen tu privacidad, o terminas luchando con librerías de JavaScript que solo dibujan "bolitas de colores" sin contexto matemático.
GraphNexus nace para romper ese triángulo imposible.
Es un framework de código abierto (AGPL-3.0), local-first y controlado desde la terminal, diseñado para ingenieros de datos, analistas de ciberseguridad e investigadores que necesitan convertir un CSV caótico en un dashboard 3D interactivo, matemáticamente riguroso y completamente soberano, en un solo comando.
Hoy celebramos el lanzamiento de la v0.6.0, y trae consigo capacidades que lo elevan de una herramienta de visualización a una verdadera plataforma de diagnóstico forense.
🧠 1. Roles Estructurales: Dime quién eres, no solo a quién conoces
La mayoría de los visualizadores escalan los nodos por su número de conexiones. GraphNexus va más allá. Utiliza métricas de centralidad de NetworkX (con muestreo seguro para grafos masivos) para clasificar heurísticamente a cada nodo en un rol estructural:
- 🔴 Global Broker (Rojo): El cuello de botella. Tiene pocas conexiones, pero une comunidades que de otro modo estarían aisladas. Si cae, la red se fragmenta.
- 🔵 Local Hub (Cyan): El jefe local. Domina su comunidad con muchas conexiones, pero no sale de ella.
- 🟡 Super-Spreader (Amarillo): El propagador. Puede alcanzar a cualquier otro nodo de la red en muy pocos pasos.
- 🟣 Peripheral (Púrpura): Nodos de borde, con influencia estructural mínima.
Al hacer clic en cualquier nodo, un panel lateral te revela sus métricas exactas de Betweenness, Closeness y Degree, además de permitirte exportar todo el análisis a CSV para auditorías externas.
🕵️ 2. Pathfinding: Sigue el dinero (o el malware)
¿Necesitas saber cómo se conecta el "Nodo A" con el "Nodo Z"? GraphNexus implementa algoritmos de ruta más corta (Dijkstra) directamente en el CLI:
graphnexus --input transacciones.csv --node-id cuenta --target destino --pathfinding "CuentaSospechosa,ParaisoFiscal"
El resultado no es solo texto en la terminal. En el dashboard 3D, la ruta crítica se ilumina instantáneamente: los nodos del camino brillan en blanco y las aristas que los unen se resaltan en amarillo neón, mientras el resto de la red se atenúa. Es como encender una linterna en una habitación oscura para seguir una huella.
⏳ 3. La Máquina del Tiempo (Fase 4): Ver la red respirar
Los datos reales no son estáticos; ocurren en el tiempo. La nueva Fase 4 introduce el análisis temporal dinámico. Si tu CSV tiene una columna de fechas, GraphNexus la parsea, la convierte a timestamps Unix y la inyecta en el frontend.
El resultado es un slider temporal en la parte inferior del dashboard. Al moverlo, los nodos y las conexiones aparecen y desaparecen en tiempo real a 60 FPS (gracias a la manipulación directa de la visibilidad en WebGL). Puedes observar exactamente cuándo una red de cuentas inactivas de repente "despertó" para coordinar una operación, o cómo se propagó un brote epidemiológico semana a semana.
🛡️ 4. Soberanía Total: Local-First y AGPL-3.0
Este es el pilar más importante. GraphNexus nunca envía tus datos a la nube. Todo el procesamiento (parsing, cálculo de centralidades, detección de comunidades con Leiden) ocurre en tu máquina.
Bajo la licencia AGPL-3.0-or-later, garantizamos que esta herramienta permanezca libre y abierta. Es ideal para peritos judiciales, universidades públicas o equipos de inteligencia financiera que manejan datos clasificados y no pueden permitirse el lujo de usar herramientas propietarias que espíen o retengan su información.
🔭 El Horizonte: ¿Qué sigue para GraphNexus?
La base forense ya está construida. La comunidad ya está discutiendo los próximos grandes saltos para convertir esto en una plataforma científica universal:
- Capa GIS (Georreferenciación): Proyectar los nodos sobre mapas topográficos reales (Leaflet/Mapbox) para trazar rutas físicas de contrabando o brotes de enfermedades sobre coordenadas del mundo real.
- Graph Neural Networks (GNNs): Dar el salto de la heurística determinista a la predicción no lineal, alertando sobre enlaces que probablemente se formarán en el futuro (Link Prediction).
- Interoperabilidad Científica: Conectores nativos para ontologías RDF/OWL, permitiendo a los bioinformáticos cruzar interacciones de proteínas y mutaciones genéticas directamente desde bases de conocimiento de la Web Semántica.
🚀 Pruébalo tú mismo
No necesitas instalar entornos pesados ni crear cuentas. Si tienes Python 3.11+, ya estás listo:
# 1. Instala el paquete
pip install graphnexus-core
# 2. Ejecútalo contra tu dataset (ejemplo con datos temporales y pathfinding)
graphnexus --input mis_datos.csv \
--node-id entidad \
--business-rule-col grupo \
--time-col fecha \
--pathfinding "Entidad_A,Entidad_Z" \
--theme "Análisis Forense"
# 3. Abre tu navegador en http://localhost:8080 y observa la magia.
El código fuente, la documentación completa y las guías de uso están disponibles en el repositorio.
🔗 amurlaniakea/graphnexus-core en GitHub
📦 graphnexus-core en PyPI
Si te apasiona el análisis de datos, la privacidad y el código abierto bien hecho, ¡tus stars, issues y PRs son más que bienvenidos! Hagamos que el análisis de redes sea poderoso, accesible y soberano para todos.
¿Qué caso de uso te gustaría ver resuelto con GraphNexus? ¿Mapeo de redes criminales, análisis de dependencias en código abierto o propagación de tendencias en redes sociales? ¡Déjamelo en los comentarios! 👇
