负责电商平台核心MySQL数据库集群日常运维，保障服务稳定性，配合研发团队完成SQL优化及故障排查，支撑电商大促、日常订单提交等峰值场景的数据库支撑工作

• 主导分析电商618大促期间订单库慢查询问题，使用Percona Toolkit提取3天慢日志（累计120GB），定位到23条高频SQL存在索引缺失及行锁竞争问题，通过新增覆盖索引、调整事务粒度优化后，QPS平均延迟从50ms降至15ms，大促期间订单提交成功率从88%提升至99.2%
• 搭建基于Prometheus+Grafana的数据库监控体系，整合连接数、慢查询占比、主从复制延迟、磁盘IO利用率等12项核心指标，设置三级告警阈值（如主从延迟超10s触发P1告警、连接数超80%触发P2告警），将故障平均响应时间从30分钟缩短至5分钟内，全年因监控遗漏导致的故障次数为0
• 配合研发完成用户中心数据库分库分表落地，使用ShardingSphere-Proxy实现按用户ID哈希分片（分4库16表），将单库数据量从1.2亿条拆分至3000万条/库，单表数据量控制在1500万条以内，解决了原单库写入QPS上限1200的问题，支撑用户注册量月均增长20%

负责公司南北两地数据中心MySQL多活架构设计与运维，主导性能深度优化及自动化工具开发，支撑业务从1000万DAU增长至3000万DAU的数据库扩容与高可用需求

• 主导设计跨AZ的MySQL Group Replication多活架构，替代原有的主从同步方案，通过调整group_replication_member_weight参数实现自动故障转移，两地数据中心数据同步延迟≤50ms，全年数据库可用性从99.9%提升至99.99%，未发生因数据同步问题导致的业务中断
• 针对双11期间商品库CPU利用率过高（峰值95%）问题，通过sys schema分析innodb_row_lock_waits及temp_table_usage指标，定位到促销活动SQL频繁创建临时表导致IO消耗，优化SQL语句减少临时表使用（将子查询改为join），并将InnoDB buffer pool size从40G调整至服务器内存的70%（64G），CPU利用率降至65%，支撑单日订单量突破500万笔
• 自主开发数据库自动化运维工具，基于Ansible Tower实现数据库部署（含主从同步配置）、版本升级（5.7→8.0）及参数配置的标准化，将人工操作步骤从15步减少至3步，部署效率提升80%；同时通过SaltStack实现配置文件集中管理，避免了因my.cnf配置不一致导致的3次主从同步中断故障

统筹公司全链路数据库治理，涵盖架构优化、成本管控、团队技术指导及云原生转型，支撑业务向Serverless、分布式架构演进

• 推动数据库成本优化项目，梳理全量86个MySQL实例，将低效的单实例（日均QPS<100）迁移至腾讯云TDSQL-C（Serverless），结合业务峰谷（早8点-晚10点扩容至100节点、其余时间缩容至10节点），全年数据库成本降低30%，同时保障了大促期间弹性扩容需求
• 主导云原生数据库架构转型，引入TiDB分布式数据库替换原有的分库分表方案，支撑用户行为日志库从日均10TB数据增长至50TB，通过TiDB的水平扩展能力新增10个节点，查询延迟稳定在20ms以内，解决了分库分表带来的跨库join复杂、维护成本高的问题
• 建立数据库团队技术培训体系，每月组织技术分享（如MySQL 8.0窗口函数、TiDB分布式事务原理、慢查询优化实战），覆盖团队8名成员，团队成员通过TiDB认证工程师考试占比从0提升至75%；同时制定《数据库操作规范》《故障处理SOP》，将人为操作失误导致的故障占比从15%降至3%
• 负责重大故障复盘与改进，针对2024年9月缓存穿透导致的数据库压力骤增事件（CPU峰值98%），推动研发增加热点数据预加载机制（提前将TOP1000商品数据加载至Redis），并在数据库层启用读写分离（从库承担30%读请求），后续同类事件发生率降低90%，数据库CPU峰值下降40%

游戏分发平台全链路运维自动化平台研发及规模化落地

• 项目背景：星途互娱游戏分发平台承载亿级用户日常访问，原有运维体系依赖分散的Shell脚本与人工操作，存在部署耗时久（单次全量部署需4小时）、故障定位慢（平均30分钟/次）、容量规划靠经验等问题，严重影响业务迭代效率与用户体验。核心目标是通过全链路自动化平台实现“部署-监控-故障自愈-容量管理”闭环，支撑平台高并发与快速迭代需求。我的职责是主导平台整体架构设计、关键模块开发及跨团队落地推动。
• 关键难题：1）平台需兼容物理机、虚拟机、K8s容器等多异构环境，原有监控数据分散在不同系统，难以统一关联分析；2）故障自愈需基于多维度数据（metrics/logs/traces）快速定位根因并执行修复，现有规则引擎缺乏业务场景适配性；3）容量规划需精准预测业务峰值（如新游上线、周末活动）带来的资源需求，传统线性预测模型误差率超30%。
• 核心行动与创新：1）设计“统一数据层+场景化引擎”架构：整合Prometheus（监控）、ELK（日志）、Jaeger（链路追踪）数据至ClickHouse，构建全链路数据湖；针对游戏业务周期性特点，基于XGBoost模型融合历史流量、活动排期、用户行为数据，开发动态容量预测模块，将误差率降至8%以内；2）故障自愈引擎引入“规则+机器学习”双决策模式：通过规则引擎处理常见故障（如Pod重启、磁盘满），用LSTM模型识别异常流量模式（如DDoS前兆），自动触发对应修复动作（如扩容、流量切换）；3）主导开发部署流水线模块，支持蓝绿部署、灰度发布等策略，集成健康检查与回滚机制，确保发布安全。
• 项目成果：平台上线后，全量部署时间从4小时缩短至15分钟，故障定位时间降至5分钟内，容量利用率提升20%；支撑平台完成12次大型版本迭代与6次峰值流量考验（最高QPS达800万），未发生因运维问题导致的业务宕机。我个人主导了平台核心功能研发，推动开发、测试、产品团队协同，确保平台覆盖80%以上运维场景，年节省运维人力成本约30万元。

游戏CDN节点智能运维系统研发及故障降本

• 项目背景：星途互娱拥有2000+分布在北上广深及海外地区的CDN节点，原有运维模式依赖人工巡检与告警阈值触发，存在无效告警率高（日均120条，有效率仅40%）、故障排查耗时久（平均25分钟/节点）等问题，导致节点 downtime 每月超10小时，影响用户下载速度与播放体验。我的职责是负责故障诊断与智能告警模块的研发，支撑系统实现“精准告警-根因定位-自动修复”能力。
• 关键难题：1）CDN节点日志量大（单节点日均产生5GB访问日志），传统ELK检索效率低，难以快速提取故障特征；2）不同节点的故障场景差异大（如海外节点网络波动、国内节点带宽拥塞），通用规则引擎无法适配；3）告警阈值设置依赖经验，容易出现“狼来了”效应，导致运维人员忽略关键告警。
• 核心行动与创新：1）开发日志聚合分析模块：用Fluentd收集CDN节点日志，通过Elasticsearch的索引优化（如按地域、节点类型分词）与Kibana的可视化仪表盘，实现日志的快速检索与特征提取；2）构建场景化故障诊断模型：针对海外节点，用关联规则挖掘网络延迟与丢包率的相关性，识别跨境链路故障；针对国内节点，基于决策树模型分析带宽利用率与请求成功率的关系，定位拥塞源；3）实现告警分级与降噪：通过机器学习模型对告警进行优先级排序，将无效告警过滤率提升至70%，同时推送关键告警至运维人员的钉钉/企业微信，附带根因分析与修复建议。
• 项目成果：系统上线后，CDN节点故障 downtime 每月降至6小时以内，无效告警数量减少60%，运维人员处理单节点故障的时间从25分钟缩短至8分钟；年节省故障处理成本约20万元，同时提升了用户下载成功率达15%。我主导了故障诊断模块的研发，优化了日志处理流程，推动与CDN厂商的API对接，实现部分故障的自动修复（如重启边缘节点）。

• 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。