蚂蚁雄兵，码农的第一次战役

2004年，政府无纸化办公推进得如火如荼，电子公文替代传统公文，尤其是替代传输通道变得非常迫切。数字化的便利和网络跨时空的特性，利于提升行政管理能力和管理效率。电子公文要具备唯一性、完整性，不可篡改、不可否认，此外它的权威性也需要得到确认。无疑，在IT环境下文件的传播路径和访问审计很容易追踪访问者的身份。但是，如果电子公文打印出来，纸质红头文件泄露出去，标记信息复印中被遮挡，怎样追查纸质文件的来源？

不仅政府机关，就连企业也经常碰到类似问题，尤其一些大型企业，如果合同泄露，设计图纸泄露，往往造成不可预估的损失。这一年，我们收到了来自政府核心机构的需求，希望我们能够解决对分发出去的纸质文件的溯源追踪问题，从分发出去的几十份甚至上千份文件中确定泄露源头。那时候，我任职公司开发一部经理，管着公司最核心的代码，没有什么悬念，这个任务老板拍在了我的头上。

一筹莫展，怎么开展呢？

经过内部一番头脑风暴，大家提出了三个方案。

方案一：文档背景中嵌入稀疏点阵，点阵不招人眼，甚至肉眼看上去很难注意，取得泄露样本后对纸张点阵进行识别。由于点阵数量可以很多，这样就可以对特征值进行较多的重复信息的嵌入，更有利于识别。

方案二：使用二维码做标记，将分发标志或者收件人加密后嵌入其中，获得样本后识别解密。

方案三：利用行间距或者字间距的微小差别，隐藏分发标志或者收件人信息。

讨论完就开始行动，我们立即对方案的可行性进行验证开发，经过一系列的分析和技术验证发现方案一和方案三看起来可行，但是复印后对嵌入信息破坏很大。方案一复印红头文件后不光点阵没了，还多了一堆麻点，尤其对于旧式复印机，复印后直接“蒙娜丽莎”了——颗粒和条纹较多。方案三复印时如果纸张放斜了一点，有折痕或者揉搓之后，行间距和字间距则一片大乱，尤其行间距，因为一页里面没有几行，能够编码的信息太少，更谈不上冗余。方案二太容易实现，也太容易被遮挡。这可怎么办？

我突然想起之前在做纸质文件数字化过程中，需要对识别文字进行编改校对，识别出来的文字一般都会提供10个，相似度最高的排在前面，识别引擎不会明示具体的某个字。如果我们对文字的关键笔画做些修改，把原始的字放到样本库中，让识别引擎去比较，是不是就可以达到我们的目标？我把讨论结果和新的想法向老板汇报。老板当即回复：“这个方案靠谱，我马上帮你联系清华的老师。”他接着又联系了中科院自动化所，也是做模式识别的团队。

2000年前后，有不少做图像文字识别软件的识别引擎来自清华。刘长松老师热情地接待了我，了解了我们的需求后，他说：“从文字识别的角度来看，识别率要保持一定的水准。第一，特征要明显；第二，样本要丰富、足够多。所谓样本就是识别文字的各种变形后的状态图案。这个方案没有做过，可以试试，前提是你们必须提交样本文字用来训练，然后提供要识别的纸质文件，测试之后才能评估。”

这说明方案具有可行性。时间紧急，回公司后我立即组织部门会议，把清华老师的要求介绍给大家。现在需要解决的是变形哪些文字，这些文字怎么变形，怎样制作样本，以什么形式提供给清华老师。

讨论后就进行了分工，有的同事从网上下载文章，筛选出1000个最常用的汉字，针对这1000个汉字进行局部修改。我们要寻找工具解读字体文件，或者我们自己写个程序能解读字体文件，然后对1000个汉字进行笔画上的微调。因为不能影响视觉和打印效果，我们就想办法用变形后的文字编写文档并打印出来。首先，我们将实验阶段的汉字字数缩小到10个，必须验证效果后再大规模推进。另外，有同事找到了字库文字编辑软件，这解决了我们修改字库文字的问题，不用耗费精力读取字库，只需要写个交互界面进行编辑调整。字库被修改后，我们把操作系统中的字库文件替换掉，这样无论使用哪个文档撰写工具都可以直接修改成变形文字文件，我们使用4台不同型号的打印机分别打印了样本文件。赶紧送到清华进行评估，刘长松老师说第二天给我结果。

等待的时间是漫长的，内心是忐忑的，因为我们不知道结果怎样，这个方案行不通的话，还有什么思路？

第二天上午9点多，刘老师给我打来电话：“通过样本训练后，对样本的识别率大于99%，方案应该可行。”

非常感谢上天的眷顾！我们团队听后非常兴奋，赶紧去跟老板汇报，并沟通下一步的工作。老板脸上带着自信的微笑，好像早就料到了一样，他说：“清华老师也跟我说了，就按这个方案开始干吧！需要什么资源，你直接给公司部门领导打电话，我一会儿给管理层群发邮件，要求他们无条件地配合你的工作。我还给你找了一个书法家，他也是某字库公司的字体专家。另外，需要跟清华大学实验室沟通商务，识别引擎和后台数据库我们需要，训练工具我们也需要，要做到结果可控，随时可以测试验证。”

这是我在2004年之前接受的最复杂的一个项目，回到部门后我赶紧开会布置任务。

第一，确定两种最常用的字体，拷贝出来进行编辑和变形。

第二，对公文系统进行改造，能够通过变形文字嵌入信息，并可以进行冗余编码，打印时将计算机标志信息和时间隐藏其中。

第三，开发识别工具。对于发现的泄露文件，能够识别其中的隐藏信息，直接报告显示电脑标志和时间信息。电脑标志信息用CPU编码、网卡编码还是硬盘编码，自行决定。

第四，联系数字化生产部，借调10名文字校对人员对字库文件的文字进行修改；怎么修改，我们培训，教会他们使用字体修改工具。

第五，寻找更多不同款的打印机，至少10种；寻找周边复印店、打印店，准备复印。

第六，准备样本制作环境，水泡、可乐泡、酱油泡，手工揉搓。

第七，准备4种不同型号的扫描仪，用来扫描样本图像，然后进行识别训练。

第八，准备训练环境。扫描后的图像怎么进行自动化训练，提供什么输入等问题需要搞清楚。

第九，跟清华沟通商务问题，例如，识别引擎是否涉及定制开发。此外，我们还需要针对识别的训练软件，对同一个字的多种样本进行学习训练。

任务分派完，我们就开始行动了。跟清华大学实验室的沟通由我亲自上阵，我还和老板联系了中科院自动化所、汉王公司，确保万无一失。中午书法家赶过来后也给我们提供了有效的帮助。他说对于电脑，如果变化特征识别是一样的，从视觉上看不应该修改关键笔画，而是修改那些不起眼的笔画，避免视觉上造成影响。我们及时采纳了他的意见。

系统改造，测试验证，10种打印机、10种复印机、4款扫描仪、4种破坏方式，从改程序到改字数有10个环节，样本用复印机二次交叉复印，最后每个样本数达到上千个。任何一个环节出错，都会对结果造成致命影响。我们分工仔细，每个环节都有专人盯紧执行结果，最后用变形字体嵌入信息识别率平均可以达到95.6%，按清华刘长松老师的话，结果可用。我们用4天完成了这个任务，全程各项工作无缝衔接，高速运转。

向政府核心部门技术领导做展示时，我们的技术方案获得了高度认可。同时我们也得知，他们用另外一家业内知名企业也推进了同样的项目，这家公司走了另外一条技术路线。这也让我们学到了一点：关键项目或者技术攻关，在条件允许的情况下，应该开辟两条路径，确保目标达成和路径最优。

如果要让我数数自己工作上最引以为豪的事迹，这肯定算其中一个。组织工作复杂，需要大量调度（七八个部门参与，还有外部3家公司），工序繁多且每一个都容不得闪失（细数下来，超过20个环节）；对外有依赖性和一定的不确定性；在总目标不变的情况下，工作过程中需要调整策略时，就及时处理。

“凡事预则立，不预则废。”这是我码农史第一次跨部门组织大规模的团队作战。