主导公司混合云平台（AWS+阿里云+自研私有云）的稳定性建设、成本精细化管控及自动化运维体系迭代，覆盖从基础设施编排到应用层容灾的全链路运维，对核心业务（电商交易、会员系统）的云平台可用性负责

• 针对核心交易链路跨AWS与阿里云调用延迟高（120ms）的问题，主导使用AWS CloudWatch全链路追踪与阿里云ARMS应用监控联动，结合自研拓扑分析工具定位到跨云VPC peering路由策略不合理导致的丢包，通过调整BGP Anycast节点部署与路由优先级，将跨云延迟降至40ms以内；同步优化云厂商间的 peering 连接带宽（从1Gbps扩容至2Gbps），全年核心链路故障时长从11小时压缩至1.5小时，支撑双11大促期间交易成功率提升至99.98%
• 牵头梳理全公司云资源 inventory（覆盖AWS EC2/S3/RDS、阿里云ECS/OSS/RDS、私有云OpenStack节点），使用Python开发自动化资源回收脚本（集成AWS Lambda与阿里云函数计算），结合“30天未使用”标签策略，每月自动回收闲置EC2实例（月均15台）、未释放EBS卷（月均8TB）及空闲OSS Bucket（月均3个），年云资源成本降低28%（约120万元）
• 推动私有云平台自动化能力升级，采用Terraform实现OpenStack节点（计算/存储/网络）的Infrastructure as Code（IaC）编排，将新节点部署时间从4小时缩短至30分钟；引入Argo CD搭建应用配置漂移检测体系，关联GitLab CI/CD pipeline，实现配置变更实时校验与回滚，配置变更成功率从92%提升至99.5%，减少因配置错误导致的业务中断事件80%
• 设计跨云双活容灾架构（AWS北京 region + 阿里云杭州 region），针对核心MySQL数据库采用AWS DMS与阿里云DTS实现双向数据同步（延迟<1秒），结合自研故障切换脚本（基于Shell+API调用），实现RTO<3分钟、RPO<10秒；通过年度灾备演练（模拟AWS北京region电源中断），验证容灾切换流程有效性，满足金融级容灾合规要求

负责公司AWS云平台（us-west-2、cn-north-1 region）日常运维，涵盖EC2、S3、RDS、CloudFront的全生命周期管理，支撑电商主营业务的大促活动与常态化运营

• 为应对618大促流量峰值（预测12万QPS），使用AWS Auto Scaling Group结合CloudFormation模板实现EC2实例弹性扩容，基于过去3年大促流量趋势优化扩缩容策略（提前30分钟启动预热实例），大促期间支撑峰值QPS 13.2万，实例CPU利用率保持在60%-75%的健康区间，可用性达99.99%，未出现因容量不足导致的业务中断
• 解决S3存储成本高企问题（月均存储费用占比25%），通过S3 Intelligent-Tiering自动将冷数据（30天未访问）迁移至Glacier Deep Archive，结合CloudFront CDN优化静态资源（图片/JS/CSS）分发，将图片平均加载时间从2.5秒降至0.8秒，同时月存储成本降低15%（约35万元）
• 处理RDS MySQL主节点宕机事件（因可用区网络波动），优化故障转移策略：将只读从节点迁移至同region的另一可用区，设置同步超时阈值为10秒，故障转移时间从5分钟缩短至1分钟，且数据一致性达100%；后续推动RDS多可用区部署标准化，覆盖所有核心数据库实例
• 搭建AWS云监控体系，用CloudWatch Alarms整合EC2 CPU/内存/磁盘使用率、RDS连接数/慢查询、CloudFront缓存命中率等指标，自定义Dashboard实现“全局-业务线-实例”三级可视化；报警响应时间从15分钟降至5分钟，全年处理12起潜在故障（如EC2磁盘满容、RDS连接泄漏），均未影响业务

协助维护公司阿里云平台（cn-hangzhou region）基础设施，包括ECS、OSS、RDS的日常监控、故障排查与容量管理，支撑公司官网与小程序的业务运行

• 排查ECS实例（ecs.t6-medium）频繁重启问题（日均2次），通过阿里云日志服务（SLS）采集系统日志与dmesg信息，定位到Linux内核（4.19版本）的OOM Killer机制误杀进程（因内核漏洞导致内存统计偏差），升级内核至5.4版本并打补丁后，3个月内无重启事件，实例稳定性提升95%
• 优化OSS静态资源访问速度，启用跨区域复制功能将资源同步至华北2（北京）区域，结合CDN节点覆盖全国，将用户平均访问延迟从300ms降至150ms；同步设置OSS生命周期策略，将超过6个月的资源转存至归档存储，月存储成本降低10%
• 协助搭建RDS MySQL监控体系，用CloudMonitor设置慢查询报警（执行时间>1秒）与连接数阈值（>80%最大连接数），每周生成慢查询报告并推动开发优化，累计优化5个高频慢查询（如订单列表查询），将查询时间从5秒降至1秒，数据库QPS提升25%
• 参与官网小程序大促保障，提前1周检查ECS实例CPU使用率（峰值70%），扩容20台t6-large实例；大促期间官网访问量提升5倍，无 downtime，可用性达99.9%，支撑活动GMV突破1000万元

混合云环境下智能运维平台重构项目

• 项目背景：随着公司游戏业务全球化扩张，混合云（阿里云、腾讯云、AWS）资源规模突破10万+实例，原有运维平台存在跨云资源割裂、故障定位依赖人工、操作效率低等问题，导致核心游戏版本发布耗时超24小时，故障MTTR（平均修复时间）达45分钟。我的核心目标是主导重构平台，实现跨云资源统一管控与智能故障诊断，支撑业务快速迭代与稳定性保障。
• 解决的关键难题与技术：一是跨云资源统一建模——不同云厂商API协议、资源属性差异大，数据同步延迟高；二是智能故障诊断——原有规则引擎仅覆盖30%常见故障，误报率达35%，无法识别复杂链路问题。针对前者，我设计了“抽象资源模型+云原生适配器”方案，将EC2、CVM、ECS等资源映射为统一的“计算/存储/网络”维度模型，通过自研云API网关实现协议转换（RESTful→gRPC），结合Kafka异步队列解决数据同步一致性问题；针对后者，我推动引入AIOps能力，收集metrics（Prometheus）、logs（ELK）、traces（Jaeger）多维度数据，训练“XGBoost+LSTM”混合模型，实现故障根因定位（RCA）与异常预测。
• 核心行动与创新：牵头组建5人跨团队小组（云原生、算法、前端），历时6个月完成平台架构升级——底层采用微服务架构（Spring Cloud Alibaba），中间层封装跨云操作原子能力，上层提供“可视化管控+智能诊断”界面。创新点在于：1）轻量级机器学习推理框架集成，将模型推理延迟从1.2秒降至200ms，适配运维实时性要求；2）基于拓扑关系的故障传播链可视化，帮助运维人员快速理解故障影响范围。此外，我主导制定了《混合云运维操作规范》，将平台使用纳入团队SOP。
• 项目成果与价值：平台上线后，跨云资源操作效率提升60%（单实例创建耗时从5分钟降至2分钟），故障MTTR缩短至8分钟，版本发布耗时压缩至12小时内。支撑了《星途纪元》全球多区域同步上线（覆盖15个国家和地区），期间未发生因运维问题导致的宕机。该平台成为公司混合云运维核心系统，节省年度运维人力成本约30%（约120万元）。我个人也因此晋升为运维开发团队负责人，负责后续平台迭代。

直播业务边缘节点自动化运维工具链研发项目

• 项目背景：公司直播业务峰值并发超100万，边缘节点（覆盖全国31省CDN节点）从500个扩展至2000个，原有手动运维方式导致部署失败率高（75%）、故障处理滞后（30分钟内响应）。我的目标是构建边缘节点自动化运维工具链，实现“部署-监控-自愈”全流程闭环，保障直播低延迟与稳定性。
• 解决的关键难题与技术：一是边缘节点网络不稳定，自动化部署成功率低；二是监控数据量大（单节点日均产生5GB日志），实时分析能力不足。针对前者，我基于Ansible Tower优化部署流程，开发自定义模块实现“断点续传+三次重试”机制，解决弱网环境下的包丢失问题；针对后者，采用Prometheus联邦采集边缘metrics，结合EdgeX Foundry搭建边缘数据 gateway，用Flink实现实时流处理（窗口聚合、异常检测），将数据处理延迟从10分钟降至1分钟。
• 核心行动与创新：独立负责工具链需求调研与架构设计，梳理出“部署-配置-监控-故障处理”四大核心模块。创新点在于：1）轻量化边缘监控agent（体积<50MB），支持低资源环境运行；2）基于规则引擎+机器学习的故障自愈策略——常见故障（如进程重启、配置更新）自动处理，复杂故障触发告警并推送至移动端。此外，我编写了《边缘节点运维手册》，培训10名运维人员掌握工具使用。
• 项目成果与价值：工具链上线后，边缘节点部署成功率提升至98%，故障处理时间缩短至5分钟内，直播卡顿率从8%降至2%。支撑了公司直播业务全年无重大故障，节省边缘运维人力成本约25%（约80万元）。该项目让我从“执行型运维”转向“方案设计型运维”，积累了边缘计算运维的核心经验，为后续混合云项目奠定了基础。

• 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。