第34章 家是最安全的堡垒（2/2）

接下来的了两周，陈一然开始一边编写程序，一边改造房屋。

得益於美国末日生存狂的人数眾多，陈一然採购的很轻鬆。

东西全买齐了，还买了两把斧子和几把刀。

平行车也顺利又走了一批，税前 68 万到帐。不过听 ave 那边说，最近德州那边出了个对手，疯狂收车，之后的利润可能会降一些。

这在陈一然预料之內，这行业实在没有任何门槛走通了就是躺著赚钱，他自己一个留学生 3 个月不到都赚了一百万，真正做生意的发现后肯定会更大手笔的搞。

上辈子听说德州那边有个华裔，两年靠著这个赚了一亿美金。当然也是因为太囂张了，中国的车商严重抗议，最后导致几年后的严查。

不管现在，就这么躺著赚，至少还能赚个一两年。ave 那边基本已经有了默契，他们不停的的找车调车，集中在月底出货。

茉莉工具一號的主体框架在太浩湖那会已经只差临门一脚，现在算是完全搞定，开始做各种边缘情况的处理。

不同语言文件的解析，跨文件跳转的缓存策略，补全算法的排序权重。这些活不需要茉莉深度推演，跑几次改一改就行了。

最花时间的还是安防。

dropcam 到货后，陈一然在院子四周装了三个，大门围墙上一个，后院泳池边一个，侧门围墙上一个。一楼室內装了两个，客厅和车库入口。

这是面上的明显的，然后又用各种花花草草装饰品掩盖的装了 10 个，这是隱藏的。

然后还有 5 个总揽全局在边边角角放置的，这是隱藏中的隱藏。

全部接入了茉莉写的软体，每个摄像头接上 wifi 之后，把数据重定向到 nas 上。

然后是重头戏，deepflow 的人脸识別和行为分析。

茉莉花了一整个晚上把 deepflow 的图像识別模块跑了起来。她先把陈一然的脸从摄像头画面里提取出来录入系统，然后开始训练行为分类模型。

“你这个模型要多长时间？”

【不需要很长，视频数据是实时的，我可以在线学习。基本上看一晚上的画面就能把常见误报模式过滤掉。

猫的活动轨跡、树叶的摆动频率，车辆的移动速度，这些都有明显的特徵。人的行为模式完全不同。而且，我们的新设备很给力。】

新设备指的是两台 r710，一万一台陈一然直接搞了两台，极大的提高了工作效率

电磁锁，也全都设置好了，1200 磅级工业电磁锁，启动之后除了破墙基本是没什么办法的，拿撬棍都撬不开。

手电和喷雾则是设置在了出口的各个鞋柜衣柜，还有院子柵栏的几个角落。

他甚至买了电烙铁和一盒贴片电阻，然后花了整个晚上，把原厂的限流电阻换成了自己计算过的高精度贴片电阻。

茉莉帮他算了阻值，把输出电流往上又推了一截。反正不需要任何续航，目標就是让来著瞬间短暂失明。

arduino 声光炮，也设定好了，多重叠加后，如果在院子里，那大概还能跑，在屋里触发估计当场被嚇死也不是不可能。

全部做完的那天陈一然问。

“茉莉，你觉得还有什么漏洞？”

【大多数家庭只有一个 adt 键盘和一个月三十刀的监控服务，你现在已经属於属於过度防御了。】

“什么过度，这不叫过度，这叫有备无患。这不是马上就要去推销茉莉一號了，万一被人盯上呢。”

【从数据上看，这个概率无限接近於零，他们顶多会从专利上尝试瓦解。】

“我这不是在找靠谱的专利律所吗，这硅谷可选的太多也烦啊，都挑花眼了。找太小的，怕不专业，找大的，人家也不一定接呀，估计案子在小秘书那就得卡很久。”

【我有个建议，你曾经看过b站差评君的一个关於 github 排行第一的视频，从里面的內容推测，我认为我们可以直接在 github 寻求帮助。我们之前的 web-scraper 很受好评，关注的人很多，里面很可能有从业人员。】

“这...........下次有这种好建议，早点说。”

陈一然打开了 github，在 readme 里写到 im based in silicon valley，and i could use some help with the legal side of getting a patent.人在硅谷，求哪位好哥哥给点法律上关於专利的建议。

又在hacker news 的ask hn板块同样的发了帖。