负责公司公有云（阿里云、腾讯云）与私有云（OpenStack）混合架构全生命周期运维，主导自动化运维体系搭建、容量规划及99.99% SLA保障，支撑电商大促、金融交易等核心业务稳定运行。

• 主导设计混合云资源管理平台，基于Terraform实现IaC（基础设施即代码）标准化，结合Ansible完成2000+云资源（ECS、CLB、RDS）的自动化编排与配置校验，解决多环境（开发/测试/生产）配置漂移问题，资源交付周期从48小时压缩至2小时，资源利用率从42%提升至77%（通过云厂商账单分析与资源水位监控验证）。
• 搭建Prometheus+Grafana全链路监控体系，集成云厂商API、Kubernetes Metrics Server及自定义业务指标（如订单成功率、支付耗时），设计分级告警规则（P0-P4）并对接企业微信/电话告警，Q2季度故障定位时间从25分钟缩短至8分钟，全年因云平台问题导致的P0级故障次数同比下降60%（对比2023年同期数据）。
• 推动Kubernetes集群性能优化，针对双11流量峰值（较日常5倍）场景，调整调度策略（引入节点亲和性、污点容忍度）并启用Cluster Autoscaler动态扩缩容，配合HPA基于QPS自动调整Pod副本数，集群CPU平均利用率从35%提升至68%，支撑单日1.2亿订单交易无超时报错，稳定性达99.995%。
• 牵头容量规划项目，通过分析近12个月业务增长曲线（DAU月均增15%）与云资源消耗模型，预测2024年Q4需扩容300台ECS实例及50TB块存储，提前协调云厂商预留资源并优化采购策略（混合使用按需实例与抢占式实例），较原预算节省28%（约450万元）。

负责公司核心业务云平台（AWS、华为云）高可用架构设计与运维，主导跨云容灾方案落地及年度成本优化，保障金融级业务99.99%可用性与成本可控。

• 主导AWS中国区向华为云迁移项目，采用CloudEndure实现200+业务实例（含MySQL、Redis）的增量同步，结合自定义Python脚本完成网络配置（VPC peering、安全组规则）迁移，迁移窗口期业务中断时间控制在15分钟内，迁移后资源成本降低22%（月均节省120万元），SLA从99.9%提升至99.95%（通过第三方拨测验证）。
• 构建FinOps成本管控体系，基于AWS Cost Explorer与自研账单分析工具（Go语言开发），识别冗余EC2实例（占比18%）与S3冷数据（占比30%），推动开发团队优化Docker镜像（平均体积从2GB缩减至1.2GB）及调整存储类型（高频数据转低频访问），年度云成本节省180万元，成本优化率15%（写入公司年度降本报告）。
• 优化云安全防护体系，部署阿里云WAF+威胁情报平台，定制120条安全规则拦截SQL注入、XSS攻击，结合云防火墙封禁恶意IP段（日均阻断攻击尝试5万+次），全年未发生因云安全漏洞导致的业务中断，安全事件数量同比下降75%（对比2021年）。
• 设计跨云容灾方案，通过华为云DRS实现MySQL主从实时同步，定期执行故障切换演练（季度级），验证RPO≤5分钟、RTO≤30分钟，满足金融行业监管要求（通过等保三级测评）。

负责公司初期云平台（阿里云）基础运维，保障测试/生产环境稳定，参与自动化工具链搭建，支撑电商业务从0到1落地。

• 搭建阿里云ECS+RDS+OSS基础架构，编写Shell脚本实现每日数据库全量+增量备份（保留7天）及OSS日志自动转冷（30天后转归档存储），全年数据丢失风险为0，存储成本降低30%（对比人工管理时期）。
• 推动测试环境容器化改造，基于Docker Compose+Jenkins实现测试环境快速创建（4小时内完成从0到N套环境部署），替代传统虚拟机（单环境创建需1天），团队研发迭代效率提升25%（PMO统计）。
• 建立云平台操作规范，制定《云资源申请审批SOP》（含资源命名、标签规范）与《云故障应急手册》（覆盖ECS宕机、RDS主备切换等场景），组织季度应急演练，人为操作失误导致的故障次数从每月3次降至0.5次以内。
• 优化日志分析流程，部署ELK Stack（Elasticsearch+Logstash+Kibana）收集应用日志与云审计日志，通过Kibana仪表盘监控接口错误率（目标<0.1%），Q4季度接口异常发现时效从2小时缩短至5分钟，助力业务故障修复效率提升40%。

星途直播平台全链路可观测体系重构与智能化升级项目

• 星途直播作为公司核心业务，承载1.2亿月活用户，原可观测体系存在“分散化”痛点——Metrics用Prometheus但无统一规范、Logs依赖ELK检索慢、Traces未打通跨服务链路，导致故障MTTR平均12分钟，严重影响用户体验。我的核心目标是主导重构覆盖Metrics、Logs、Traces的全链路可观测体系，将MTTR降低至5分钟内，同时支撑业务快速排查问题。
• 项目遇到三大关键挑战：1）跨50+微服务的链路追踪一致性差，TraceID传递无统一协议导致链路断裂；2）高Cardinality指标（如用户ID、直播间ID）导致Prometheus存储成本月均增长25%；3）Logs与Traces/Metrics无关联，排查时需手动匹配多系统数据，效率极低。我选择基于OpenTelemetry构建统一观测底座，用Thanos解决长期存储与查询性能，用Loki替代ELK实现日志标签化索引。
• 我的核心行动包括：1）牵头成立“可观测专项组”，联合研发、产品制定《OpenTelemetry接入规范》，改造12个核心服务SDK，强制注入TraceID并打通跨系统传递，解决链路断裂问题；2）设计“指标分层体系”——将指标分为基础资源、服务性能、业务转化三层，对高基数指标采用“哈希降维+定期聚合”策略，配合Thanos压缩存储，将Prometheus存储成本降低40%；3）整合Grafana搭建“故障排查一站式Dashboard”，联动Traces拓扑、Metrics趋势、带TraceID的Logs详情，实现“点击链路节点即可看关联日志与指标”。
• 项目成果显著：1）MTTR从12分钟降至2分40秒，故障定位效率提升76%；2）可观测覆盖度从60%提升至95%，所有核心服务、数据库、中间件均纳入监控；3）存储成本年降约35万元，同时支撑了“暑期直播节”等大型活动0级故障；4）业务侧直播卡顿率下降15%——通过可观测体系快速定位到转码服务CPU瓶颈，优化集群资源分配后支撑了单直播间100万并发观看。我个人也沉淀了《互联网直播场景可观测体系设计手册》，成为公司后续项目的参考标准。

星途直播弹幕系统高可用改造与弹性伸缩优化项目

• 星途直播弹幕系统承担着每场直播的实时互动需求，但在“年度盛典”“热门剧综直播”等场景下，常因并发量突增（峰值超10万QPS）出现延迟、节点宕机，导致用户互动率下降20%。我的目标是重构弹幕系统的高可用架构，实现“弹性伸缩+零感知扩容”，支撑百万级并发弹幕。
• 项目难点在于：1）弹幕服务虽无状态，但依赖用户在线状态服务（同步延迟达30秒），扩容时需等待状态同步，导致新节点无法立即承载流量；2）传统轮询负载均衡策略导致热点直播间节点压力过大，常触发熔断；3）K8s HPA的默认伸缩指标（CPU利用率）不准确，要么过度扩容浪费资源，要么扩容不及时导致故障。
• 我的解决路径：1）主导“状态剥离”改造——将用户在线状态从弹幕服务迁移至Redis Cluster，实现服务无状态化，扩容时仅需增加节点无需同步状态；2）改用Nginx Plus的“一致性哈希负载均衡”，基于直播间ID哈希分配请求，减少热点节点的压力；3）开发“自定义Metrics Adapter”——将“弹幕发送速率”“消息队列长度”等复合指标暴露给K8s HPA，实现“基于业务场景的精准伸缩”。
• 项目落地后效果明显：1）弹幕系统QPS从5万提升至20万，并发能力增长300%；2）扩容响应时间从5分钟缩短至1分钟，支撑了“年度盛典”直播的120万并发弹幕；3）弹幕延迟从2秒降至500毫秒以内，用户互动率提升22%；4）资源利用率提升35%——精准伸缩避免了30%的闲置节点成本。这个项目让我从“被动运维”转向“主动设计高可用架构”，也积累了处理“无状态服务状态依赖”的关键经验。

• 因痛心于年轻人对历史的疏离，我在B站创立「古人脱口秀」栏目，用职场梗解构历史事件（如《雍正皇帝的KPI保卫战》）。通过设计「颠覆认知-史料佐证-现代共鸣」三幕剧本模板，单期视频最高收获1.7万条弹幕互动。
• 两年间栏目播放量突破180万，作品被多地中学选为教学素材。这段经历磨砺出将学术内容转化为大众语言的能力，也让我理解到真实用户反馈才是创作者的指南针。