• 

  Pantalla principal

• 

  Primeros 5 mensajes detectados sospechosos

• 

  Recomendaciones del sistema para acciones futuras.

• 

  Disclaimer

WhatsApp Scanner - Project Story

About the project

🎯 What inspired me

En la era digital actual, las aplicaciones de mensajería se han convertido en una herramienta fundamental tanto para comunicaciones legítimas como para actividades criminales. WhatsApp, siendo una de las plataformas más utilizadas mundialmente, genera enormes volúmenes de datos conversacionales que contienen evidencia crucial para investigaciones forenses.

La necesidad crítica de automatizar el análisis de estos datos me inspiró a desarrollar esta herramienta. Los investigadores forenses tradicionalmente deben revisar manualmente miles de mensajes, un proceso que puede tomar semanas y es propenso a errores humanos.

🧠 What I learned

Durante el desarrollo del proyecto, profundicé en múltiples áreas técnicas:

• Análisis forense digital: Comprendí los protocolos y estándares necesarios para que la evidencia digital sea admisible en procesos legales
• Procesamiento de lenguaje natural (NLP): Implementé algoritmos para detectar patrones lingüísticos sospechosos y clasificar contenido
• Análisis de comportamiento: Desarrollé métricas para identificar patrones temporales y frecuencias anómalas en comunicaciones
• Seguridad de datos: Aprendí sobre cifrado, manejo seguro de información sensible y cumplimiento de regulaciones de privacidad

🛠 How I built the project

Arquitectura del Sistema

# Estructura principal del analizador
class WhatsAppScanner:
    def __init__(self):
        self.pattern_detector = CriminalPatternDetector()
        self.nlp_processor = NLPProcessor()
        self.behavioral_analyzer = BehavioralAnalyzer()

    def analyze_chat(self, chat_file):
        # Proceso de análisis principal
        parsed_data = self.parse_whatsapp_export(chat_file)
        criminal_patterns = self.pattern_detector.scan(parsed_data)
        behavioral_anomalies = self.behavioral_analyzer.detect(parsed_data)
        return self.generate_report(criminal_patterns, behavioral_anomalies)

Pipeline de Procesamiento

1. Extracción de datos: Parsing de archivos exportados de WhatsApp (.txt)
2. Preprocesamiento: Limpieza y estructuración de mensajes, timestamps y metadatos
3. Análisis de patrones: Detección de:
   • Palabras clave relacionadas con actividades ilícitas
   • Patrones de comunicación sospechosos
   • Anomalías temporales en las conversaciones
4. Análisis comportamental: Identificación de:
   • Frecuencias de comunicación inusuales
   • Horarios de actividad anómalos
   • Cambios bruscos en patrones de comunicación
5. Generación de reportes: Visualizaciones interactivas y reportes estructurados

🚧 Challenges I faced

Desafío 1: Precisión vs Falsos Positivos

• Problema: Balancear la sensibilidad del sistema para detectar actividades criminales sin generar demasiadas alertas falsas
• Solución: Implementé un sistema de scoring ponderado que combina múltiples indicadores antes de clasificar una conversación como sospechosa

Desafío 2: Diversidad Lingüística

• Problema: Los patrones criminales se expresan de manera muy variada, incluyendo jerga, códigos y múltiples idiomas
• Solución: Desarrollé un diccionario adaptativo que aprende de nuevos patrones y se actualiza continuamente

Desafío 3: Rendimiento con Big Data

• Problema: Procesar conversaciones con miles de mensajes requería optimización de rendimiento
• Solución: Implementé procesamiento en lotes y técnicas de paralelización para manejar grandes volúmenes de datos

Desafío 4: Privacidad y Ética

• Problema: Manejar datos sensibles respetando regulaciones de privacidad
• Solución: Incorporé funciones de anonimización y cifrado local, asegurando que los datos nunca abandonen el entorno controlado

📊 Key Features Implemented

• ✅ Detección automática de patrones criminales
• ✅ Análisis temporal de comportamiento
• ✅ Visualizaciones interactivas con gráficos
• ✅ Reportes forenses estructurados
• ✅ Interface web intuitiva
• ✅ Procesamiento en tiempo real
• ✅ Sistema de alertas configurables

🔮 Future Enhancements

• Integración con APIs de fuerzas del orden
• Análisis de multimedia (imágenes, audios)
• Machine Learning adaptativo para mejores detecciones
• Soporte para múltiples plataformas de mensajería

Built With

• 3.8+**
• flask/django**
• matplotlib/plotly**
• nltk/spacy**
• numpy**
• pandas
• python
• sqlite/postgresql**