负责公司公有云（阿里云、腾讯云）平台日常运维，涵盖资源调度、故障响应及基础自动化工具开发，保障电商促销、会员服务等核心业务系统的稳定性。

• 主导日常云实例故障排查，通过ELK Stack聚合ECS、RDS日志，结合云监控指标定位高频CPU抖动问题根源为JVM内存泄漏，推动开发侧修复后，同类故障发生率下降78%，MTTR（平均修复时间）从45分钟压缩至15分钟。
• 开发云资源自助申请系统，基于Python+Django框架对接阿里云API，实现VPC、ECS、SLB资源的可视化申请与自动交付，替代原人工审批流程，业务团队资源获取时效从2小时缩短至10分钟内，年节省人工操作超2000小时。
• 搭建基础可观测体系，配置Prometheus采集EC2实例、Redis缓存、MQ消息队列的核心指标（CPU使用率、QPS、消息堆积量），并通过Grafana定制业务看板，关键指标告警准确率从75%提升至92%，漏报率下降60%。

统筹混合云（公有云+私有云OpenStack）架构运维，推动SRE（站点可靠性工程）体系建设，聚焦云资源成本优化与交付效率提升，支撑公司金融级交易系统迁移上云。

• 主导混合云迁移项目，采用Terraform实现IaC（基础设施即代码），统一管理跨阿里云、OpenStack的200+资源栈，完成12个核心交易系统迁移，单系统部署耗时从72小时降至8小时，年度闲置云主机成本减少35%（约420万元）。
• 设计云成本管控模型，通过AWS Cost Explorer结合自研Python脚本分析资源利用率，识别冗余RDS实例137台并降配，调整预留实例购买策略匹配业务周期，年度云总成本下降22%（约1800万元）。
• 搭建SRE服务体系，制定关键业务SLO（服务等级目标）为99.95%可用性，拆解为CPU负载、数据库连接数等6项SLI（服务等级指标），建立错误预算消耗预警机制，Q4核心系统因运维操作导致的故障次数从8次降至0次。
• 优化K8s集群弹性伸缩策略，基于Prometheus采集的Pod QPS、节点CPU负载指标，联动云厂商ASG（自动扩展组）动态调整节点数量，双11大促期间集群资源利用率从40%提升至75%，支撑10万+并发交易无压力。

负责公司云原生平台（K8s多集群、Serverless）全生命周期运维，保障跨北京、上海、广州三地业务高可用，推动运维向自动化、智能化转型，支撑AI训练、实时音视频等新兴业务上云。

• 主导云原生平台升级，基于KubeSphere搭建多集群管理系统，集成Istio服务网格实现跨AZ流量智能调度，Q2某数据中心断电故障时，业务流量30秒内切换至备用集群，全年核心业务中断时长累计小于5分钟。
• 设计混沌工程验证体系，使用Chaos Mesh在预发布环境注入网络延迟（500ms）、节点宕机（随机销毁30% Pod）等故障场景，发现Service Mesh路由规则缺陷并修复，关键服务容错能力（错误恢复率）从65%提升至95%。
• 解决Serverless函数冷启动瓶颈，通过预置暖实例（提前30分钟加载高频函数）、资源预热策略（定时触发空请求），将平均冷启动时间从800ms降至200ms，支撑日活1000万+的直播弹幕推送服务零超时。
• 落地AIOps智能运维，基于ELK+Prometheus的历史故障数据训练XGBoost异常检测模型，实现90%以上常见故障（如磁盘满、网络丢包）自动诊断并推送修复建议，运维人力投入减少30%，故障平均处理时长缩短至8分钟。

电商大促高可用保障体系全链路升级项目

• 项目背景：公司核心电商平台承载年GMV超100亿的业务，过往大促（如双11、618）依赖人工巡检与被动故障响应，SLA仅99.5%，曾因数据库慢查询、缓存击穿导致页面宕机3次，影响订单转化率。目标是构建“预防-监控-处置”全链路自动化保障体系，将大促SLA提升至99.95%以上。
• 关键难题：1）多系统（订单、库存、支付、物流）耦合下，故障根因定位耗时平均15分钟；2）流量峰值（单秒10万QPS）下，资源弹性伸缩滞后，曾出现库存服务CPU飙升至90%未及时扩容；3）跨团队（开发、测试、运维）预案协同混乱，故障处置时职责不清。
• 核心行动：1）主导基于Jaeger的全链路追踪平台建设，整合12个核心系统的trace数据，通过自定义标签（如订单ID、用户地域）实现故障秒级溯源，定位时间缩短至2分钟内；2）设计“历史流量+实时舆情”的动态容量预测模型（用Python实现LSTM算法），预测准确率达92%，联动阿里云弹性伸缩规则，将资源扩容时间从30分钟压缩至5分钟；3）开发混沌演练平台，覆盖“网络延迟、节点宕机、数据库主从切换”8类高频故障场景，推动制定《大促故障处置SOP》，并将跨团队演练频率从季度改为月度，协同效率提升40%。
• 项目成果：大促期间SLA稳定在99.95%以上，故障响应时间从15分钟降至2分钟，年度因故障导致的订单损失减少约800万元；资源弹性成本降低18%（年节省云费用120万）。本人主导了全链路体系的架构设计与落地，推动跨部门建立了标准化的故障处置流程，成为公司大促保障的核心技术负责人。

容器化微服务治理平台自主研发项目

• 项目背景：公司微服务数量从20个增长至50+，依赖第三方容器平台（如某云ACK）不仅年费用超300万，且缺乏针对业务的流量治理、资源调度能力（如活动服务需优先分配资源）。目标是自主研发轻量化容器治理平台，支撑微服务高可用与成本优化。
• 关键难题：1）第三方平台无法实现“按业务优先级”的资源抢占，活动高峰期常因资源竞争导致核心服务延迟；2）微服务间流量调度单一，无法支持灰度发布时的按用户分层放量；3）平台扩展性差，新增微服务需手动配置监控与熔断规则。
• 核心行动：1）基于Kubernetes Operator模式开发“业务优先级调度模块”，通过自定义ResourceQuota与PriorityClass，实现活动服务在大促时自动抢占非核心服务资源，资源利用率从45%提升至65%；2）集成Istio服务网格，设计“用户标签+权重”的灰度发布策略，支持按新用户/老用户、地域分层放量，将灰度故障影响范围缩小至5%以内；3）构建自动化规则引擎，通过Prometheus采集的指标（如QPS、延迟）自动生成熔断与降级策略，无需人工干预，微服务故障次数减少50%。
• 项目成果：平台上线后替代了第三方容器平台的核心功能，年节省费用300万；微服务平均延迟从80ms降至50ms，故障恢复时间从30分钟缩短至5分钟；平台可用性达99.99%，支持公司微服务数量扩张至80+。本人主导了平台的核心模块研发与架构设计，解决了微服务治理的关键痛点，推动公司技术栈从“依赖第三方”转向“自主可控”。

• 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。