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%

全链路可观测体系0到1构建与云原生场景落地

• 项目背景：公司核心业务（在线教育直播+AI互动课）年增速超200%，现有监控体系存在“数据碎片化（分散在Prometheus、ELK、APM等多套系统）、故障定位依赖人工串联日志（MTTR均值35分钟）、业务指标与系统指标无法关联”三大痛点，严重影响用户体验与迭代效率。目标是构建覆盖“用户行为-业务逻辑-基础设施”的全链路可观测平台，将MTTR降低50%以上，支撑业务峰值（双11期间流量增长3倍）的稳定运行。
• 解决的关键难题：1）异构技术栈的数据兼容——既有K8s云原生应用（Spring Cloud gRPC），也有传统虚拟机部署的 legacy 服务；2）海量时序与日志数据的存储性能——日均产生15TB监控数据，原有Elasticsearch集群查询延迟超2秒；3）业务语义与技术指标的关联——比如“直播卡顿率”需关联到CDN节点带宽、服务器CPU负载、gRPC调用延迟多层级指标。
• 核心行动与创新：1）主导数据采集层设计：基于OpenTelemetry实现“统一探针+自定义扩展”，覆盖98%的业务服务（包括第三方SDK的traceID透传），解决了legacy服务无原生埋点的问题；2）存储层优化：采用ClickHouse分布式集群+时间序列分区策略，将日志查询延迟从2.1秒降至180ms以内，同时通过“冷热数据分层”降低存储成本40%；3）自研“业务-技术指标关联引擎”：用Redis做实时缓存，将用户行为标签（如“课程类型”“终端型号”）与系统指标（如“JVM堆内存”“数据库QPS”）进行多维关联，实现“点击课程卡顿”直接定位到“某CDN节点带宽跑满”的根因。
• 量化成果与价值：平台上线后，故障MTTR从35分钟降至12分钟（降低65%），监控覆盖率从70%提升至98%；支撑双11期间直播峰值并发12万+无重大故障，用户投诉率下降42%；成为公司“技术中台”的核心组件，支撑了后续3个新业务线的快速接入，节省了每年约200万的第三方监控服务成本。

容器化迁移自动化工具链与弹性伸缩平台研发

• 项目背景：公司初期容器化率仅40%，legacy应用（如PHP单体架构的课程管理系统）依赖人工部署，扩容需2-4小时，资源利用率不足25%（服务器闲置率高）。目标是搭建“自动化迁移+智能弹性伸缩”平台，将容器化率提升至90%以上，资源利用率翻倍，扩容时间降至分钟级。
• 解决的关键难题：1）legacy应用的容器化适配——部分应用依赖本地文件存储、静态IP，无法直接迁移到K8s；2）弹性伸缩策略的精准性——原有基于CPU的单一策略易导致“过度扩容”或“扩容滞后”；3）迁移过程的稳定性——批量迁移时易出现服务中断，影响用户使用。
• 核心行动与创新：1）开发“容器化适配助手”工具：通过Ansible剧本自动化处理本地存储挂载（映射到PVC）、静态IP分配（Service+Ingress规则自动生成），将单应用迁移时间从1天缩短至2小时；2）自研“复合指标弹性伸缩引擎”：结合Prometheus的系统指标（CPU、内存）与业务指标（如订单队列长度、直播推流并发数），采用加权评分策略（业务指标占比60%），解决了单一指标的局限性；3）设计“灰度迁移+回滚保障”流程：通过Istio做流量逐步切换，同时自动生成回滚脚本，将迁移故障影响范围控制在5%用户以内。
• 量化成果与价值：容器化率从40%提升至92%，服务器数量减少35%（节省硬件成本约300万）；资源利用率从25%提升至58%；弹性伸缩时间从小时级降至2.5分钟内，支撑了“暑期课程促销”活动流量增长5倍的平稳运行；该工具链被纳入公司“DevOps标准流程”，后续所有新应用均通过平台实现自动化容器化。

• 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。