负责公司全球5个分布式数据中心、30+跨境POP点的网络全生命周期运维，涵盖跨洲流量调度、故障根因定位、自动化工具迭代及跨团队（产品/研发/安全）网络方案评审，保障亿级用户级电商、直播业务的<100ms延迟与99.99%可用性

• 主导设计北美硅谷-新加坡-东京跨洲链路的「BGP Anycast+FRRouting动态路由」优化方案，解决原有静态路由因运营商 peering 策略差异导致的延迟波动问题；通过RIPE Atlas进行全球路由追踪验证，调整AS路径预处理规则，将跨洲业务延迟从85ms降至63ms，季度故障率从12次降至7次
• 针对上海数据中心内部TCP重传率高（峰值15%）的问题，用NetData定位到核心交换机（Cisco Nexus 9500）队列2拥塞，联动研发调整业务TCP窗口大小，并配置QoS优先标记视频流流量，结合DPDK加速用户态转发，最终转发延迟从12ms降至5ms，支撑了双十一直播峰值200万并发
• 搭建基于Ansible+GitLab CI的网络自动化平台，将VPC peering、ACL规则变更、防火墙策略同步等工作代码化，引入预发布环境模拟验证；上线后变更部署时间从4小时缩短至30分钟，变更失败率从15%降至2%，节省年度运维人力成本约35万元
• 推动跨团队「网络容量滚动预测机制」落地，用Prometheus采集全链路流量指标，结合业务GMV增长模型，提前3个月扩容香港数据中心出口带宽（从10Gbps升至50Gbps），避免了双十一期间因跨境流量激增导致的20%延迟上涨

负责公司核心业务（千万级DAU社交APP）数据中心网络及200+CDN节点的运维，聚焦故障快速恢复、网络性能调优及自动化能力构建，支撑业务从国内向东南亚拓展的网络需求

• 主导排查CDN节点间BGP路由震荡问题，用Traceroute+MTR定位到印尼雅加达边缘节点路由泄露（误宣告至新加坡运营商），通过配置路由过滤列表（deny ASEAN AS-path）和AS路径预处理，将节点故障时长从平均2小时缩短至15分钟，CDN整体可用性从99.95%提升至99.99%
• 优化数据中心南北向流量负载均衡策略，将原有轮询算法替换为HAProxy源IP哈希+权重调整，解决多机房因用户分布不均导致的单点CPU利用率超90%问题；调整后服务器平均利用率从60%提升至85%，年度硬件采购成本减少约200万元
• 搭建「网络设备日志+业务指标」关联监控体系，用ELK Stack收集交换机（Huawei CE12800）日志，结合Prometheus监控业务RT，设置「BGP会话down+RT上涨50%」组合告警规则；上线后告警准确率从70%提升至95%，无效告警量减少80%
• 推动网络配置标准化，用Python脚本自动生成交换机（Aruba CX 6300）配置文件（含VLAN、ACL、路由策略），替换人工编写；配置错误率从10%降至0，单台设备部署时间从1小时缩短至10分钟，团队运维效率提升60%

负责公司电商业务数据中心网络（3个IDC）的基础运维，涵盖设备部署、故障排查、日常监控及文档管理，保障电商大促（双11、618）期间的网络稳定

• 参与电商大促前网络容量评估，用NetFlow分析近1年流量趋势，预测大促期间出口带宽需求（从5Gbps升至20Gbps），协助采购联通/电信双链路带宽；大促期间支撑了10倍于日常的流量增长，未出现带宽瓶颈
• 排查核心交换机（Cisco Catalyst 9300）ARP表溢出问题，用Wireshark抓包发现大量无效ARP请求（来自恶意爬虫），通过开启端口安全功能（限制MAC地址数量）和ARP缓存老化时间（从300秒缩至60秒），将ARP表溢出次数从每周5次降至0，保障了商品详情页的正常访问
• 搭建基础网络监控系统，用Zabbix监控交换机CPU（阈值80%）、内存（阈值70%）、接口带宽（阈值90%），设置分级告警（邮件→钉钉→电话）；提前发现并处理了2次交换机风扇故障，避免了宕机事故
• 整理《网络设备配置手册》《故障处理SOP》《日常操作指南》等文档，覆盖Cisco/Huawei主流设备；新员工入职培训时间从2周缩短至3天，团队故障响应一致性提升50%

多数据中心游戏服务高可用智能运维平台建设

• 项目背景：公司业务从单一数据中心扩展至北京、上海、广州三地多活架构后，游戏服务故障排查耗时平均达45分钟，跨数据中心状态同步延迟超10秒，缺乏统一的高可用管控能力。核心目标是构建覆盖全链路监控、智能根因定位、自动化处置的智能运维平台，将故障MTTR（平均修复时间）降低至15分钟内，支撑三地多活业务的稳定性。
• 关键难题与技术：1）多数据中心Prometheus监控数据的一致性与全局查询问题；2）游戏服务跨集群的故障根因定位（如主数据中心数据库延迟导致备中心流量突增）；3）自动化处置的决策逻辑设计（避免误切导致的业务中断）。技术上整合Thanos实现多源监控数据的全局聚合，采用OpenTelemetry实现全链路追踪（metrics+logs+traces），并基于LSTM模型训练故障特征库。
• 核心行动与创新：1）牵头对比Thanos与Cortex方案，选择Thanos兼容现有Prometheus生态，通过Sidecar将各数据中心数据上传至对象存储，实现全局查询延迟低于2秒；2）设计“流量-性能-依赖”三维根因分析模型，将游戏服务调用链拆解为“客户端→网关→逻辑服→数据库”层级，通过关联指标异常（如数据库QPS骤升）定位根因；3）联动Ansible与自研脚本，实现“故障检测→根因定位→切换决策→回滚验证”的闭环，切换过程自动化率100%，并加入人工确认环节避免误操作。
• 项目成果与价值：平台上线后，故障MTTR从45分钟降至7分钟，三地多活业务可用性从99.9%提升至99.99%，支撑了《星途纪元》新游上线首月无重大故障；自动化处置覆盖85%的常见故障场景，每年节省运维人力成本约60万元。我个人主导了平台的核心架构设计与跨团队协作，推动运维从“被动响应”向“主动预防”转型。

游戏服务器集群有状态服务弹性伸缩与成本优化项目

• 项目背景：公司主力游戏《星途之战》周末流量峰值是平日的5倍，传统固定集群模式导致闲时服务器利用率仅30%，成本浪费严重；同时游戏服务器的有状态特性（如玩家session）导致弹性伸缩困难。核心目标是实现基于流量的自动弹性伸缩，将服务器成本降低30%以上，同时保证高峰时段服务可用性。
• 关键难题与技术：1）有状态游戏服务器的session保持（如Redis共享session的一致性）；2）流量预测的准确性（需覆盖周末、活动、版本更新等场景）；3）Spot实例的稳定使用（云厂商Spot实例中断率高，易导致服务波动）。技术上采用Kubernetes StatefulSet管理有状态服务，结合Redis Cluster实现session分布式存储，用Prometheus收集流量数据，基于Facebook Prophet算法训练流量预测模型。
• 核心行动与创新：1）设计“StatefulSet+Redis Session”的弹性伸缩方案，通过StatefulSet的volumeClaimTemplates保证玩家数据持久化，Redis Cluster同步session数据，解决伸缩时session丢失问题；2）开发流量预测模块，将历史流量、活动计划、版本更新等特征输入Prophet模型，预测未来24小时流量，联动Kubernetes HPA自动调整副本数；3）引入云厂商Spot实例，设置自动恢复策略（实例中断前5分钟迁移至按需实例），降低70%的服务器成本。
• 项目成果与价值：服务器成本从每月120万元降至78万元（降低35%），高峰时段服务可用性保持99.95%，支撑《星途之战》周年庆活动流量峰值（QPS达15万）无性能瓶颈；弹性伸缩方案成为公司游戏集群的标准配置，后续推广至3款新游，累计节省成本超200万元。我负责核心模块的开发与优化，推动有状态服务的弹性伸缩从“不可行”变为“可落地”。

支教时发现乡村小学因缺乏实验器材，科学课多停留在课本讲解。返校后联合实验室开发出百元级科学实验背包，内含20个基础实验器材。为确保可持续运营，设计配套视频课程与城乡结对系统，并培训132名大学生担任远程助教。项目覆盖9省47所学校后，学生科学兴趣评分提升35%。这段经历教会我用产品思维解决社会问题，当看到孩子们用自制望远镜发现土星光环时，我理解了教育的真谛是点燃可能性。