MCPCorpus：用于模型上下文协议生态系统及安全性分析的大规模可演化数据集

MCPCorpus 是一个全面的数据集，用于分析模型上下文协议（MCP）生态系统，包含约14K个MCP服务器和300个MCP客户端，每个实体具有20多个标准化元数据属性。

📊 数据集概览

• 规模：约14K个MCP服务器 + 300个MCP客户端
• 属性：每个实体20多个标准化元数据
• 来源：GitHub、社区中心、包管理器
• 应用：生态系统分析、安全研究、互操作性研究

📁 结构

MCPCorpus/
├── Crawler/                    # 数据收集工具
│   ├── Servers/               # 服务器数据
│   ├── Clients/               # 客户端数据
│   ├── github_info_collector.py  # GitHub元数据收集器
|   ├── data_cleaner.py        # 数据规范化
│   └── tool_extractor.py      # MCP工具提取
└── Website/                   # 网页搜索界面
    ├── server.py              # 本地Web服务器
    └── index.html             # 搜索界面
    └── mcpso_servers_cleaned.json
    └── mcpso_clients_cleaned.json

🚀 快速开始

探索数据集

cd Website
python server.py
# 打开 http://localhost:8000

编程访问数据

import json
import pandas as pd

# 加载数据集
with open('Crawler/Servers/mcpso_servers_cleaned.json', 'r') as f:
    servers = json.load(f)
with open('Crawler/Clients/mcpso_clients_cleaned.json', 'r') as f:
    clients = json.load(f)

# 转换为DataFrame
servers_df = pd.DataFrame(servers)
clients_df = pd.DataFrame(clients)

更新数据集（可选）

# 收集新数据
cd Crawler/Servers && python Server_request.py
cd ../Clients && python Client_request.py

# 添加GitHub元数据
cd .. && python github_info_collector.py --token YOUR_GITHUB_TOKEN

📚 引用

如果您在研究中使用了MCPCorpus，请引用如下：

@misc{lin2025largescaleevolvabledatasetmodel,
      title={A Large-Scale Evolvable Dataset for Model Context Protocol Ecosystem and Security Analysis}, 
      author={Zhiwei Lin and Bonan Ruan and Jiahao Liu and Weibo Zhao},
      year={225},
      eprint={2506.23474},
      archivePrefix={arXiv},
      primaryClass={cs.CR},
      url={https://arxiv.org/abs/2506.23474}, 
}