负责公司数据中心增值业务承载系统（企业短信、视频短信、IoT连接管理平台）的7×24小时稳定运维，涵盖服务器集群、全闪存储阵列及SDN网络的监控、故障根因分析（RCA）与性能调优；主导增值业务端到端链路保障，联动研发解决业务层与基础设施的耦合问题；推动Python/Ansible自动化工具落地，降低人工干预率；基于时间序列预测模型优化资源分配，支撑业务峰值场景的弹性供给。

• 针对企业短信平台大促期间发送量激增（峰值达12万条/秒）导致的延迟超标问题，基于Prometheus+Grafana构建分层监控体系——新增短信队列长度、网关转发延迟等定制指标，联动SDN控制器动态调整流量路径至备用链路；同步优化Zabbix告警规则（将阈值从“队列积压>1万条”前置到“>3千条”），配合自动化脚本来回滚异常配置，最终将SLA从99.9%提升至99.99%，单次大促故障时长从2.5小时压缩至30分钟内，支撑业务峰值收入增长40%。
• 主导开发“服务器CPU过载自愈系统”——用Python调用Ansible Tower API，结合历史负载数据训练逻辑回归模型识别异常进程，当CPU利用率连续5分钟>85%时，自动触发“降频非核心进程+弹性扩缩容”动作；覆盖了82%的常见CPU故障场景，将MTTR（平均故障恢复时间）从30分钟降至2分钟内，年节省人工排查成本约18万元。
• 为支撑IoT连接管理平台季度30%的业务增长，用Python编写“存储资源预测模型”——基于过去12个月的IOPS、吞吐量及业务用户数数据，用ARIMA算法预测未来季度的全闪存储需求；优化采购策略后，服务器与存储的冗余率从25%降至10%，直接节省硬件成本120万元，同时确保业务峰值时存储延迟仍低于1ms。
• 协同增值业务研发团队解决视频短信卡顿问题：用Wireshark抓包分析发现CDN节点与数据中心间的TCP重传率达15%（行业阈值<5%），定位为QoS策略未优先标记视频流；调整数据中心交换机的DSCP值为EF（Expedited Forwarding），并将TCP窗口大小从16MB扩容至32MB，最终卡顿率降至0.1%以下，用户投诉量减少72%。

负责数据中心基础架构（X86服务器、EMC存储、Cisco网络设备）的日常运维，支撑语音验证码、企业彩印等核心增值业务的稳定运行；参与灾备方案设计与演练，保障业务连续性；优化监控覆盖度，提升故障预警能力；协助处理重大故障，缩短恢复时间。

• 主导灾备体系从“冷备”向“热备”转型：用VMware SRM搭建跨机房的虚拟机复制环境，制定“分钟级切换”演练流程（每月1次全链路测试），将RTO（恢复时间目标）从4小时缩短至30分钟内，助力公司通过ISO 22301业务连续性管理体系认证，成为某头部金融客户的核心供应商。
• 重构监控体系解决存储故障漏报问题：针对原有Zabbix模板仅监控存储利用率的缺陷，自定义IOPS波动、RAID卡缓存命中率等12项关键指标，结合ELK栈分析存储设备日志；提前3次预警“存储介质坏道”隐患，避免了2次可能导致业务中断的故障，年减少业务损失约50万元。
• 处理企业彩印系统宕机故障：夜间系统突然不可用，经Percona Toolkit分析慢查询日志，定位到数据库服务器存在内存泄漏（由第三方插件未释放缓存导致）；协同研发修复插件逻辑，同时新增“内存使用率+泄漏速率”双维度监控，将MTTR从2小时压缩至40分钟，后续同类故障发生率下降90%。
• 优化虚拟机资源利用率：用VMware vRealize Operations分析300+台虚拟机的CPU/内存利用率，整合闲置VM（原利用率<20%），将服务器平均利用率从30%提升至50%，年节省机房电力成本约35万元，同时腾出15%的机架空间支撑新业务部署。

负责数据中心服务器、网络设备的日常维护，支撑企业邮箱、呼叫中心等初期增值业务运行；执行硬件巡检与固件升级，保障基础设施可靠性；协助搭建基础监控系统，提升运维效率。

• 搭建公司首个自动化监控系统：用Nagios+NCurses组合实现服务器CPU、内存、磁盘的实时监控，替代原有人工巡检模式；设置分级告警（邮件→短信→电话），将故障发现时间从2小时缩短至5分钟内，支撑业务从试运营到正式上线的平稳过渡。
• 处理存储服务器RAID卡故障：某台EMC存储服务器因RAID卡电池失效导致数据读取延迟高，用厂商提供的Navisphere Manager诊断工具定位问题，30分钟内完成RAID卡更换并恢复数据，未影响企业邮箱用户的收发信功能；后续推动“RAID卡健康度月度检查”纳入运维流程，年减少存储故障10余起。
• 完成核心设备固件升级：针对数据中心Cisco交换机频繁出现的丢包问题（丢包率1%→影响视频会议质量），下载最新IOS-XE固件，采用“滚动升级”方式替换旧版本；升级后丢包率降至0.01%以下，网络可用性从99.9%提升至99.99%，支撑呼叫中心的语音通话质量提升。
• 编写运维知识库：整理《数据中心硬件常见故障处理手册》《服务器固件升级操作指南》等文档，覆盖80%的日常运维场景；新员工培训周期从2周缩短至5天，团队整体故障处理效率提升40%。

5G+VR直播增值业务专属网络切片可靠性提升项目

• 项目背景：公司为文旅行业提供的“5G+VR全景直播”增值服务是年度战略产品，但上线初期专属网络切片频繁出现时延抖动（峰值达200ms）、丢包率超1.5%的问题，导致用户体验差、客户投诉率达12%，核心目标是3个月内将切片端到端可靠性提升至99.99%，支撑全国10个重点景区的商用落地。我作为项目运维负责人，主导切片全生命周期运维体系搭建与故障根因闭环。
• 关键难题：1）多域协同故障定位难——切片涉及接入网（gNodeB）、传输网（OTN）、核心网（UPF）跨域链路，传统分散监控工具无法关联告警；2）流量突发拥塞——VR直播峰值流量达10Gbps，切片静态带宽配置常出现拥塞；3）缺乏业务级SLA感知——现有运维仅关注网络指标，未关联VR业务卡顿、花屏等用户体验参数。
• 核心行动：1）端到端拓扑穿透：梳理切片从用户设备到UPF的12个关键节点，打通SDN控制器、NSMF（切片管理器）与Prometheus监控数据，自研“跨域告警关联算法”，将原来45分钟的故障定位时间压缩至8分钟；2）动态带宽调优：结合LSTM模型预测VR流量峰值（准确率达92%），提前15分钟触发切片带宽弹性扩容（支持5-15Gbps动态调整）；3）业务SLA映射：将网络时延、丢包率与VR业务卡顿率建立线性模型（R²=0.95），把业务级指标纳入运维监控阈值。
• 项目成果：1）切片可靠性提升至99.995%（超目标50bps），VR直播卡顿率从8%降至1.2%，客户投诉率下降至1.5%；2）搭建的“5G切片业务级运维体系”覆盖公司12个地市的VR/AR增值业务，成为集团5GtoB运维标准；3）个人主导输出3份切片运维SOP、1套AI流量预测工具，获公司“年度技术创新奖”。

传统短信增值业务网关高并发扩容及智能运维转型项目

• 项目背景：公司短信验证码、营销通知等增值业务年增速达40%，原集中式短信网关处理能力仅5000条/秒，大促/节假日经常出现拥堵（延迟超5秒），投诉率高达1.2%，目标是6个月内将网关处理能力提升至2万条/秒，同时降低人工运维工作量30%。我从运维执行岗切入，负责架构优化与智能运维模块落地。
• 关键难题：1）集中式架构瓶颈——原网关采用单节点处理，CPU利用率长期超90%，无法横向扩展；2）流量弹性不足——大促期间流量突增3-5倍，人工扩容耗时2小时以上；3）故障排查低效——依赖人工查看日志，平均故障定位时间达30分钟。
• 核心行动：1）分布式架构改造：将原集中式网关拆分为10个分布式节点，基于Kafka消息队列做流量分片（每个节点处理2000条/秒），结合Docker容器化部署实现节点快速上线；2）弹性扩缩容方案：引入K8s编排，设置流量阈值（如CPU>70%）自动触发节点扩容，大促期间可10分钟内完成节点新增；3）智能故障预警：搭建ELK日志平台，自定义规则引擎（包含“发送失败率超5%”“队列积压超10万条”等12条规则），实现故障自动预警与根因推送。
• 项目成果：1）网关处理能力提升至2.5万条/秒（超目标25%），大促期间短信延迟降至1秒以内，投诉率下降至0.3%；2）人工运维工作量减少40%，原本需要3人轮值的夜班优化为1人；3）输出的《短信网关智能运维方案》被集团推广至5个省份，个人从“故障响应者”转型为“方案设计者”，次年获晋升机会。

• 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。