你所在的电商平台“TechMall”即将举行年度最大的“超级品牌日”活动，核心引流项目是“53度飞天茅台1499元整点秒杀”。由于商品存在巨大的二级市场价差，该活动吸引了大量“黑产”（羊毛党、机器脚本、群控设备）进行抢购。 业务痛点： 1. 极度不平衡与标签缺失：在数千万次请求中，只有极少数是真正的黑产攻击，且平台只能确认部分被投诉的账号是黑产（Positive），以及部分长期高活的忠实用户是正常（Negative），海量中间用户的性质是未知的（Unlabeled）。 2. 高并发低时延：秒杀开启瞬间QPS（每秒查询率）破十万，风控模型必须在20ms内返回拦截决策。 3. 对抗性强：黑产会不断变换IP、设备指纹、UA等特征来绕过规则。 4. 误杀成本高：如果误拦截了平台的高价值VIP用户，会导致严重的客诉和品牌舆情危机。 数据团队决定构建一套基于实时行为序列与 LightGBM+LSTM 的模型。请基于此背景回答以下5道题。 （2）为了捕捉用户在秒杀前的“养号”或“脚本预热”行为，团队决定引入实时行为序列特征。特征工程师构建了以下一组特征，准备输入到LSTM模型中进行训练。在代码评审（Code Review）阶段，作为Tech Lead的你必须指出其中存在“未来信息泄露”（Look-ahead Bias） 的特征，否则会导致模型线上崩塌。请找出该特征：