林墨的书房像个被代码浸泡的蜂巢。
墙面上贴满了他从攻击日志里摘录的关键代码片段，用荧光笔标着“史密斯常用的Ip跳转路径”“异常流量波动特征”；桌上摆着台祖父留下的旧电脑，键盘磨得发亮，屏幕上还开着三年前的反追踪程序；旁边的草稿纸上，他用铅笔涂鸦着一个歪歪扭扭的神经网络结构——那是他昨晚对着教程画了半宿的“AI大脑”。
凌晨一点，他盯着屏幕上的“攻击溯源报告”，指尖无意识地敲着桌子。
上次史密斯用匿名代理发起攻击时，他花了整整六个小时才追踪到源头；如果……如果能有个东西，提前告诉他“攻击会从哪个Ip来”“用什么方式渗透”，是不是就能更早堵上漏洞？
手机突然震动，是联盟技术部的陈默工程师：“墨墨，我明天上午有空，要不要聊聊你上次说的‘主动防御AI’？”
第二天清晨，林墨抱着旧电脑坐在联盟技术部的会议室里。
陈默是个戴黑框眼镜的年轻人，穿洗得发白的格子衬衫，桌上摆着半杯冷掉的豆浆。
他推过来一份资料：“我看了你画的神经网络草稿——有想法，但少了点‘AI思维’。”
“AI思维？”林墨凑过去，资料上是密密麻麻的公式。
“就像你玩侦探游戏。”陈默拉过白板，画了个简单的流程图。
“传统防御是‘事后查案’——找到攻击痕迹，再溯源；AI防御是‘提前看线索’——通过正常流量的‘样子’，认出‘不一样的脚印’，甚至猜出‘凶手下一步要去哪’。”
他拿起一支马克笔，在“正常流量”和“攻击流量”之间画了条红线：“机器学习的核心，是让计算机‘学会区分’。
比如你之前找史密斯的Ip跳转，现在AI能帮你学‘史密斯喜欢用哪些代理节点’‘他的攻击时间规律’，甚至预判‘他下一次会选哪个漏洞’。”
林墨的眼睛亮了：“那我需要做什么？”
“先学‘喂数据’。”陈默打开电脑，调出一个开源机器学习框架。
“不是越多数据越好，是‘有用的数据’。比如你要教AI认‘攻击流量’，得先给它看一万条‘正常流量’，再给它看一百条‘攻击流量’——它会自己找出‘不一样’的地方。”
回程的车上，林墨抱着旧电脑，手指在键盘上敲个不停。
他下载了陈默给的框架，试着导入林氏网络的历史流量数据。
屏幕上的进度条慢得像蜗牛，他却兴奋得手心出汗——这是他第一次接触“让计算机自己学习”。
晚上十点，模型跑通了第一个测试：识别“异常流量”。
但他很快发现，模型误报率极高——把正常的用户登录、文件上传都当成了攻击。
“别急。”陈默远程连上线，调出参数面板。
“你给的‘正常流量’里混了测试环境的干扰数据。AI像个刚学走路的孩子，你得先教它‘什么是对的’，再让它认‘错的’。”
林墨皱着眉删除了干扰数据，重新训练模型。
这一次，误报率降到了30%，但还是不够。
他揉了揉发红的眼睛，想起祖父当年教他认货单——“别急，慢慢磨，功夫到了，自然就准了。”
三天后，林墨的模型终于给出了第一个“有效预警”。
那天深夜，他正在调试参数，屏幕突然弹出红色警报：“检测到异常SSh连接——来源Ip：192.168.12.34，行为特征匹配‘史密斯常用渗透手法’！”
他猛地坐直身子，立刻启动防火墙拦截。
几秒钟后，日志显示：那个Ip的连接被成功阻断，没有造成任何损失。
“陈哥！”他激动得喊出声，“模型预警了！和史密斯的攻击手法一样！”
电话那头的陈默笑了：“不错，第一步成了。
AI不是变形金刚，不会一下子变成超人，但它能帮你‘更早看见危险’。”
深夜，林墨坐在书房，看着屏幕上仍在运行的模型。
旧电脑的风扇嗡嗡转着，荧光笔标的代码片段在墙上投下细碎的影子。
他想起祖父当年说“林家的货，要护得稳稳的”，想起父亲说“守护不是靠力气，是靠脑子”。
现在，他终于懂了——
守护不是等危险来了再挡，是提前把“危险的影子”找出来；
AI不是代替人，是帮人把“眼睛”睁得更大、更亮。
他摸了摸桌上的旧电脑，嘴角扬起一丝笑。
明天，他要给模型加个新功能——预测“攻击发生的概率”。
不是为了炫耀，是为了更早、更准地，
守住林氏的根。