她登录公司内网，进入密钥管理平台。平台界面简洁，显示着她已申请的权限列表。其中一条：“深蓝计划批次7数据解密权限——待审批”。
状态：审核中。
路容关掉页面。
没有解密密钥，她无法查看数据内容。但文档里描述了数据结构，她可以基于这些描述，先设计过滤规则的框架。
她打开代码编辑器。
手指放在键盘上，停顿。
然后开始敲击。
代码一行行出现在屏幕上。她写得很慢，每一个函数都仔细推敲，每一个判断条件都反复斟酌。过滤规则的核心逻辑是：识别重复数据包，但不过度过滤；检测格式异常，但不误伤正常数据。
这需要平衡。
太保守，达不到提升可用率的目标。
太激进，可能误过滤重要数据。
路容写着写着，停了下来。
她盯着屏幕上的代码，脑海里浮现出另一个场景。
三年前，天启科技“灯塔”项目。她也负责设计数据清洗流程。当时的项目负责人——一个四十多岁、总爱穿格子衬衫的技术总监——在评审会上说：“过滤规则要大胆一点，宁可错杀，不可放过。用户行为数据，干净比完整更重要。”
她当时反驳：“错杀会丢失真实用户行为模式，影响模型训练。”
“那是算法团队该操心的事。”总监说，“我们的职责是提供干净的数据。”
后来，“灯塔”项目上线三个月后，因为数据过滤过度，导致用户画像模型出现严重偏差。产品团队投诉，算法团队甩锅，最后责任落到了数据清洗流程设计上。
而那个说“宁可错杀”的总监，早已调离项目组。
路容深吸一口气。
继续写代码。
但这一次，她的思路变了。
她开始设计一个“激进”的规则——表面上是为了最大化过滤重复和异常数据，实际上，她在规则里埋下了一个微妙的漏洞。
漏洞的核心，在于对加密负载格式的判定。
现有文档描述，payload字段解密后应该是标准JSON格式，包含固定的几个嵌套字段。但路容知道，在实际传输过程中，可能因为加密算法、网络编码、第三方接口等各种原因，产生一些非标准但依然可解析的变体。
比如，JSON字符串的开头或结尾多了一个空格。
比如，某个
…。。