不知不觉，入职一年有余，几度提笔想写下过去一年的经历，却不知从何说起。阿里有一句土话：唯一不变的是变化。那么，我们就从变化说起。
变化分为两类，一类是基础通用能力，更多的是软技能，另一类是专业能力，也就是硬核科技。
软技能又可分为强化自己的和影响他人的两种，强化自己的是思维，结构化思维和以终为始思维，影响他人的是能力，领导力和影响力。专业能力主要是对安全的理解和安全智能化的探索和实践。
初次明确理解结构化思维这个词时，还是两三年前，现在重提，是因为又再次理解了这个词的含义。本文的写作思路就是按照结构化思维拆解的，变化分为两类，第一类包含两种，第一种又包含两个。以此类推，拆解到「不重」、「不漏」，兼顾全局完整性、互相独立、整体穷尽。
终局思维是我从老板和同事们身上学到的很关键的一点。我老板有一句口头禅：你的目的是什么。刚开始的时候，有些不太适应，感觉这种语气有点冒犯的意思，后来慢慢的，才发现这是在促进不断思考，思考终点在哪里，为什么在那里。有了明确的终点，再结合结构化思维的拆解，就可以倒推需要哪些步骤和资源，剩下的就是水到渠成。这是一种终局思维的体现。
另外，在部门表彰的时候，奖杯上就有“以终为始”等当时认为花里胡哨的词汇，现在想来，其中可能蕴含两种意思：过去已经取得的终，忘了它；对于未来要取得的终，从一开始就要认识它，瞄准它，吃掉它。这也是一种终局思维的体现。细细观察，发现工作和生活中很多都透露着以终为始的味道。
之前也听过“以终为始”这类词，但从来没有细细想过，导致很长时间对这类词不感冒，认为是大而空的口号罢了。现在，再一次理解了自己以前说过的一次话：说，是别人的，听，不算自己的，悟到，才是自己的。
并不是在一开始老板说“你的目的是什么”的时候，就意识到了终局思维方式的存在，也不是在看见奖杯上标语的时候，而是源于真正做事过程中的亲身经历。意识到、理解到、总结出一种方法论的最重要一环，不是听别人说，而是通过一次事件亲身实践临门一脚。这也许就解释了晋升流程中，用实际案例说明自身已达到下一层级标准的行为，不是你说你具备这种能力就具备这种能力，不是你说理解了以终为始就理解了以终为始，而是要拿出你自己的实际案例支撑。如果没有推导过程，直接说出结论，那可能会被认为是在说套话。
我触碰到“以终为始”说来也简单，刚开始按照结构化思维拆解攻击者画像项目，根据我仅有的知识面，拆解成了攻击源和攻击者，后来不断增加自身的输入不断实践，逐步细化，发现还可以拆解为攻击者身份、攻击者攻击工具、攻击者所用漏洞、攻击模式等等，这时候又了解到了美国威胁情报标准之一的STIX框架，对比一看，发现已经推导出了框架的70%了，那么这个框架很可能是我理解的攻击者画像的终局状态。
当然，如果一开始就明确告诉我STIX标准是要做的事的终局状态，对于项目进度可能会快一些，因为我只是个执行者，但对于个人成长，也许会慢很多理解到对于未来极其重要的以终为始的含义。
对于解决一个不确定性的问题，光靠结构化思维还远远不够，还需要大量的输入，让不确定性变成确定性，透过迷雾，看清问题的终局。
希望这些如果有幸作为同学们的输入，让成功经验被低成本复制，是我最大的快乐，这也是我花了这么多篇幅写终局思维的原因。
领导力我理解不是领导的能力，而是一种令众人「信服」的能力，可以是深不见底的专业能力，也可以是让人自发地追随你的人格魅力。
第一次明确意识到领导力这东西的存在，是集团内部有一算法比赛，鼓励内部员工组队参加，老板让我来组织部门同学参与。我当时最真实的想法是：妄自菲薄，我一个低P怎么能组织带得动大家，于是乎就一个人冲了，显然取得的效果不好。后续随着老板的关切，及时认识到了问题所在，最后成绩差强人意。
记忆最深的，是老板的一句话：Leader的由来是要Lead「带领」。事后反思，确实是这样，就定了一条自我行为准则，让我来牵头的事情，不管是不是在现有专业领域内，不管参与方都是P几，充分思考、准备、安排上，对事不对人，当然也要讲究方式方法。
如果把影响力作为一种目标，那么达成目标的方式有两种：写和说。世上有两件事最难，一是把别人口袋里的钱放进自己的口袋，二是把自己脑袋里的思想灌进别人的脑袋。无论是写和说，本质上都是在做第二件事，向外表达自己的思想，进一步辐射，潜移默化影响到他人，辐射的范围越大，他人被感染越深，影响力越强。
得益于近几年持续的琢磨和断断续续的文字，从开始的想到哪说到哪，到看了很多书，模仿各种作家的写作风格，再到知行合一，回归自我，写自己的文字。谈不上多「会写」，但写字已然成了工作和生活的一部分。
此前认为，当所有思想被数字化、文档化，那么「能说」将毫无意义，更何况说的效率可能像刘慈欣在短篇科幻小说《乡村教师》中构想的说的信息传输速率大约只有每秒1至10比特一样低。但是工作的沟通经历让我意识到「能说」非常重要。因而现在也在刻意练习说话的艺术，分场景有向上汇报、平级沟通、外部演讲、日常扯淡等。实践出真知，在说这方面会持续找机会加大样本输入，不断调优「说模型」使得自己能说。
从组织架构层面及其工作职责理清了基础安全、信息安全、业务安全、系统安全、风控等等名词代表的含义之间的关系。基础安全部为啥叫基础安全部？业务安全和信息安全、风控的权责？这些看似简单的问题，刚入职我以为我就想明白了，后来发现又想明白了。
好的甲方安全的目标我理解有两个，第一是保护业务，给公司省钱，第二是衍生业务，给公司赚钱。
我们日常说的业务风控是直接保护业务，而系统安全、基础安全、信息安全等中有一部分是直接触达到业务影响到业务安全，另一部分是间接影响到业务安全。按手段划分，像越权这种场景就属于基础安全中的业务安全，入侵场景属于基础安全中的系统安全，洗钱场景属于业务风控；按目的和手段一起划分，资金安全看上去属于业务风控射程内，其实基于入侵的资金安全就属于基础安全范畴内。所以，其实基础安全和业务风控有交叉，交叉的部分正是用基础安全的手段达到影响业务安全的目的。
好的的安全团队，还是要「evolution」，不断拓宽安全的现有边界，甚至向外输出能力、产品、服务等。而不是「involution」，involution这个词很形象，in+volution，向里+涡旋=内卷。
经过近一年的安全智能化探索和实践，沉淀了一些实战经验和方法论，以此为基底，撰写「面向安全、数据、算法人员的安全智能化落地指南」，不断完善发布在我的Github仓库「AI-for-Security-Landing-Guide」
garbage in, garbage out。
训练阶段，检查黑白样本标签纯净度。尽可能100%纯净。如果，黑中有白，预测阶段会误报，白中有黑，预测阶段会漏报。
训练阶段，检查黑样本标签分布多样性。原始数据来源和风险标签类型尽可能覆盖全面，因为会影响到预测阶段模型的泛化性。
训练阶段，检查黑白样本标签分布均衡性。建议黑白样本比例最低控制在1:100～1:1000。可以通过白样本的下采样抽样和黑样本的上采样控制浓度。
脏数据，可能会导致后续数据和算法处理有效率和性能问题。比如sql长耗时、算法长耗时，训练准、预测不准等问题。因此，当出现预期外的问题时，排查脏数据。
如果是处理效率问题，尝试数据截断
如果是算法性能问题，遵循第一条守则检查数据标签
统计特征。考虑时间+空间维度，比如过去90天内xx的统计特征，当天xx的统计特征。
如果数据体现出行为序列方面的规律，使用NLP处理特征化。
在显性黑样本极少时，行为手法未知，风险类型不明，优先采用无监督算法发现事件，总结规律，写成规则。反之，优先采用有监督算法
聚类算法优先采用dbscan（参数敏感型），异常检测优先采用iforest，有监督算法优先采用lgb
dbscan落地安全的优劣势
优势：不需要输入类别数k；可以发现任意形状的聚类簇
劣势：聚类收敛时间可能较长；调参复杂，需要联合调参
dbscan有2个核心参数，建议联合调参。
𝜖-邻域的距离阈值eps
𝜖-邻域的样本数阈值min_samples
训练过程中使用的特征提取方法，产出的产物如：模型、词嵌入向量词典，在预测过程中要对应使用训练过程中的成套方法和产物。bad case：在预测过程中，使用了一次训练模型任务中的词嵌入向量词典，使用了另一次训练模型任务中的模型，导致预测发生意外，不符合预期。
未来安全的对抗，必将是强知识的对抗，数据和算法的对抗，未来安全人员的需求，必将是拥有一超多强型技能的人才的天下，高综合素质+绝活。面向未来，我们能做的是保持学习，时刻进化着我们的脑模型。面向未来，团队能做的是：招人招人招人，给老板们招人。
组1：招逆向高手
组2：招应用安全
组3：招威胁对抗
最后，来都来了，懂得都懂。
