为什么不用比特做警犬？
不是“为什么不用，而是根本没法用” 首先把问题放到刑事侦查层面来思考 这个问题的本质其实是：在现有的技术条件下，能否从比特的流动中精准地获取到能够作为线索的信息。 如果这个问题的答案是否定的话，那么再谈什么“必要性”“可行性”都没啥意义了。
当然，如果这个问题的答案肯定（例如，通过AI或者机器学习的方法对网络进行大数据的分析），那这个问题也就变成两个小问题了： 一是什么情况下会需要（或者说，可以基于什么案件情况或侦查对象情况而使它成为必要）； 二该如何着手去使用（或者说，如何建立一套方法学来让这种探索成为可能） 这显然是一个值得深入研究的问题，我也非常好奇，因此也会继续深入探讨。
但如果这个问题的答案是肯定的话，那接下来讨论的必要性和可行性就都是无根之水了。 然后我们再把问题放大到安防领域（毕竟这里提到了“警犬”），这实际上是想问： 在非刑事案件的监控预警和防范之中，能否利用电子证据和计算机网络知识，构建一个类似“警犬”的机器体系来完成预警和追踪任务。 我认为是可以的，而且已经在做了。
我所在的团队正在研究基于机器学习的网络威胁预测模型，其基础是构建一个包含特征提取、算法优化、模型评估的完整框架，从中我们可以得到如下启发： （1）特征选择（特征工程）的重要性 要运用机器学习的能力，首先要有可供学习的东西——即特征，如果没有合适的特征输入，任何算法都无能为力。在选择待挖掘的数据时，要同时考虑这些数据对于机器学习应用的价值，即是否含有足够多且适合于机器学习的方法学特征。
（2）训练建模的必要性 无论采用什么样的方法，数据的挖掘一定要建立在数据的量化分析之上，只有经过建模的训练，得到可用于预测的理论公式，我们才能说获得了客观的数据结果。否则，所有的分析都只能是主观判断。
（3）多种方法学的融合 在实际的任务中，往往会综合使用多种方法学，单一的方法学往往无法完全地解决所有问题。如果在探索性的分析过程中发现某种方法学的缺陷或者不足之处，需要及时调整以完善分析。