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核心网UPF节点集群化运维体系搭建与性能优化项目

• 项目背景：随着公司5G商用用户突破200万，原有单节点UPF（用户面功能）架构出现流量峰值拥塞（峰值吞吐量达120Gbps时丢包率超1.5%）、故障恢复时间长（单节点故障平均停机25分钟）等问题，核心目标是搭建支持多厂商、高可用的UPF集群运维体系，将集群可用性提升至99.99%以上，吞吐量冗余能力提升40%。
• 关键难题：一是多厂商（华为、中兴）UPF设备的配置语法、接口协议不兼容，无法实现集群统一管控；二是集群间流量调度依赖静态权重，无法适配突发流量场景（如演唱会、赛事直播）；三是传统故障定位依赖人工翻查日志，耗时长达40分钟/次，无法满足5G低时延运维要求。
• 核心行动：1. 主导制定《多厂商UPF集群配置规范》，通过自研Python脚本将华为eSight、中兴iManager的配置指令标准化，完成12轮跨厂商联调，实现集群设备的统一纳管；2. 结合历史流量数据，用XGBoost模型预测15分钟级流量峰值，将静态调度算法优化为“预测+动态加权轮询”策略，提升流量匹配效率；3. 整合NetNumen U31、ELK Stack（Elasticsearch+Logstash+Kibana）与Prometheus+Grafana，搭建“日志-指标-拓扑”关联分析平台，实现故障根因定位时间压缩至5分钟内。
• 项目成果：集群可用性从99.9%提升至99.99%，全年故障停机时间从12小时降至1.2小时；峰值吞吐量提升至180Gbps，冗余能力满足未来3年业务增长；运维人力投入减少30%，该项目成为公司5G核心网运维的标杆案例，我因此晋升为核心网运维技术负责人。

4G/5G融合计费系统异常话单治理与自动化运维项目

• 项目背景：公司4G/5G融合计费系统上线初期，异常话单率高达1.2%（主要为跨网元话单格式不匹配、计费规则冲突），导致每月营收损失约70万元，同时引发大量客户投诉（占比15%）。目标是建立全流程异常话单防控体系，将异常率降至0.1%以下，实现计费准确性闭环管理。
• 关键难题：一是4G（MSC/VLR）与5G（AMF/UDM）网元的话单字段定义、生成逻辑差异大，缺乏统一校验规则；二是传统离线话单稽核周期长（T+1），无法及时拦截实时异常；三是异常话单溯源依赖人工关联多系统数据，效率低下。
• 核心行动：1. 梳理300+条跨网元话单规范，设计“字段映射+规则引擎”的统一校验体系，开发Java版实时话单校验工具，嵌入计费系统前置环节；2. 引入Spark Streaming构建实时话单监控链路，对“话单时长异常”“费率不匹配”等8类高频问题实现秒级拦截；3. 用关联规则算法（Apriori）分析异常话单的用户行为、网元状态特征，输出《异常话单根因手册》，将溯源时间从2小时缩短至30分钟。
• 项目成果：异常话单率从1.2%降至0.08%，年营收损失减少120万元，客户投诉率下降60%；计费系统自动化运维率从40%提升至75%，该项目获公司年度“业务支撑优秀项目”，我因此积累了核心网与计费协同运维的跨域经验。

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。