螞蟻雄兵，碼農的第一次戰役

2004年，政府無紙化辦公推進得如火如荼，電子公文替代傳統公文，尤其是替代傳輸通道變得非常迫切。數字化的便利和網絡跨時空的特性，利于提升行政管理能力和管理效率。電子公文要具備唯一性、完整性，不可篡改、不可否認，此外它的權威性也需要得到確認。無疑，在IT環境下文件的傳播路徑和訪問審計很容易追蹤訪問者的身份。但是，如果電子公文打印出來，紙質紅頭文件泄露出去，標記信息復印中被遮擋，怎樣追查紙質文件的來源？

不僅政府機關，就連企業也經常碰到類似問題，尤其一些大型企業，如果合同泄露，設計圖紙泄露，往往造成不可預估的損失。這一年，我們收到了來自政府核心機構的需求，希望我們能夠解決對分發出去的紙質文件的溯源追蹤問題，從分發出去的幾十份甚至上千份文件中確定泄露源頭。那時候，我任職公司開發一部經理，管著公司最核心的代碼，沒有什么懸念，這個任務老板拍在了我的頭上。

一籌莫展，怎么開展呢？

經過內部一番頭腦風暴，大家提出了三個方案。

方案一：文檔背景中嵌入稀疏點陣，點陣不招人眼，甚至肉眼看上去很難注意，取得泄露樣本后對紙張點陣進行識別。由于點陣數量可以很多，這樣就可以對特征值進行較多的重復信息的嵌入，更有利于識別。

方案二：使用二維碼做標記，將分發標志或者收件人加密后嵌入其中，獲得樣本后識別解密。

方案三：利用行間距或者字間距的微小差別，隱藏分發標志或者收件人信息。

討論完就開始行動，我們立即對方案的可行性進行驗證開發，經過一系列的分析和技術驗證發現方案一和方案三看起來可行，但是復印后對嵌入信息破壞很大。方案一復印紅頭文件后不光點陣沒了，還多了一堆麻點，尤其對于舊式復印機，復印后直接“蒙娜麗莎”了——顆粒和條紋較多。方案三復印時如果紙張放斜了一點，有折痕或者揉搓之后，行間距和字間距則一片大亂，尤其行間距，因為一頁里面沒有幾行，能夠編碼的信息太少，更談不上冗余。方案二太容易實現，也太容易被遮擋。這可怎么辦？

我突然想起之前在做紙質文件數字化過程中，需要對識別文字進行編改校對，識別出來的文字一般都會提供10個，相似度最高的排在前面，識別引擎不會明示具體的某個字。如果我們對文字的關鍵筆畫做些修改，把原始的字放到樣本庫中，讓識別引擎去比較，是不是就可以達到我們的目標？我把討論結果和新的想法向老板匯報。老板當即回復：“這個方案靠譜，我馬上幫你聯系清華的老師?！彼又致撓盗酥锌圃鹤詣踊?，也是做模式識別的團隊。

2000年前后，有不少做圖像文字識別軟件的識別引擎來自清華。劉長松老師熱情地接待了我，了解了我們的需求后，他說：“從文字識別的角度來看，識別率要保持一定的水準。第一，特征要明顯；第二，樣本要豐富、足夠多。所謂樣本就是識別文字的各種變形后的狀態圖案。這個方案沒有做過，可以試試，前提是你們必須提交樣本文字用來訓練，然后提供要識別的紙質文件，測試之后才能評估?！?/p>

這說明方案具有可行性。時間緊急，回公司后我立即組織部門會議，把清華老師的要求介紹給大家?，F在需要解決的是變形哪些文字，這些文字怎么變形，怎樣制作樣本，以什么形式提供給清華老師。

討論后就進行了分工，有的同事從網上下載文章，篩選出1000個最常用的漢字，針對這1000個漢字進行局部修改。我們要尋找工具解讀字體文件，或者我們自己寫個程序能解讀字體文件，然后對1000個漢字進行筆畫上的微調。因為不能影響視覺和打印效果，我們就想辦法用變形后的文字編寫文檔并打印出來。首先，我們將實驗階段的漢字字數縮小到10個，必須驗證效果后再大規模推進。另外，有同事找到了字庫文字編輯軟件，這解決了我們修改字庫文字的問題，不用耗費精力讀取字庫，只需要寫個交互界面進行編輯調整。字庫被修改后，我們把操作系統中的字庫文件替換掉，這樣無論使用哪個文檔撰寫工具都可以直接修改成變形文字文件，我們使用4臺不同型號的打印機分別打印了樣本文件。趕緊送到清華進行評估，劉長松老師說第二天給我結果。

等待的時間是漫長的，內心是忐忑的，因為我們不知道結果怎樣，這個方案行不通的話，還有什么思路？

第二天上午9點多，劉老師給我打來電話：“通過樣本訓練后，對樣本的識別率大于99%，方案應該可行?！?/p>

非常感謝上天的眷顧！我們團隊聽后非常興奮，趕緊去跟老板匯報，并溝通下一步的工作。老板臉上帶著自信的微笑，好像早就料到了一樣，他說：“清華老師也跟我說了，就按這個方案開始干吧！需要什么資源，你直接給公司部門領導打電話，我一會兒給管理層群發郵件，要求他們無條件地配合你的工作。我還給你找了一個書法家，他也是某字庫公司的字體專家。另外，需要跟清華大學實驗室溝通商務，識別引擎和后臺數據庫我們需要，訓練工具我們也需要，要做到結果可控，隨時可以測試驗證?！?/p>

這是我在2004年之前接受的最復雜的一個項目，回到部門后我趕緊開會布置任務。

第一，確定兩種最常用的字體，拷貝出來進行編輯和變形。

第二，對公文系統進行改造，能夠通過變形文字嵌入信息，并可以進行冗余編碼，打印時將計算機標志信息和時間隱藏其中。

第三，開發識別工具。對于發現的泄露文件，能夠識別其中的隱藏信息，直接報告顯示電腦標志和時間信息。電腦標志信息用CPU編碼、網卡編碼還是硬盤編碼，自行決定。

第四，聯系數字化生產部，借調10名文字校對人員對字庫文件的文字進行修改；怎么修改，我們培訓，教會他們使用字體修改工具。

第五，尋找更多不同款的打印機，至少10種；尋找周邊復印店、打印店，準備復印。

第六，準備樣本制作環境，水泡、可樂泡、醬油泡，手工揉搓。

第七，準備4種不同型號的掃描儀，用來掃描樣本圖像，然后進行識別訓練。

第八，準備訓練環境。掃描后的圖像怎么進行自動化訓練，提供什么輸入等問題需要搞清楚。

第九，跟清華溝通商務問題，例如，識別引擎是否涉及定制開發。此外，我們還需要針對識別的訓練軟件，對同一個字的多種樣本進行學習訓練。

任務分派完，我們就開始行動了。跟清華大學實驗室的溝通由我親自上陣，我還和老板聯系了中科院自動化所、漢王公司，確保萬無一失。中午書法家趕過來后也給我們提供了有效的幫助。他說對于電腦，如果變化特征識別是一樣的，從視覺上看不應該修改關鍵筆畫，而是修改那些不起眼的筆畫，避免視覺上造成影響。我們及時采納了他的意見。

系統改造，測試驗證，10種打印機、10種復印機、4款掃描儀、4種破壞方式，從改程序到改字數有10個環節，樣本用復印機二次交叉復印，最后每個樣本數達到上千個。任何一個環節出錯，都會對結果造成致命影響。我們分工仔細，每個環節都有專人盯緊執行結果，最后用變形字體嵌入信息識別率平均可以達到95.6%，按清華劉長松老師的話，結果可用。我們用4天完成了這個任務，全程各項工作無縫銜接，高速運轉。

向政府核心部門技術領導做展示時，我們的技術方案獲得了高度認可。同時我們也得知，他們用另外一家業內知名企業也推進了同樣的項目，這家公司走了另外一條技術路線。這也讓我們學到了一點：關鍵項目或者技術攻關，在條件允許的情況下，應該開辟兩條路徑，確保目標達成和路徑最優。

如果要讓我數數自己工作上最引以為豪的事跡，這肯定算其中一個。組織工作復雜，需要大量調度（七八個部門參與，還有外部3家公司），工序繁多且每一個都容不得閃失（細數下來，超過20個環節）；對外有依賴性和一定的不確定性；在總目標不變的情況下，工作過程中需要調整策略時，就及時處理。

“凡事預則立，不預則廢?！边@是我碼農史第一次跨部門組織大規模的團隊作戰。