负责公司核心交易平台（覆盖日活500万+用户的订单、支付、库存链路）的架构设计与性能优化，主导高并发场景下技术方案落地，保障系统99.99%可用性，推动跨团队技术协作与规范沉淀。

• 针对大促期间订单创建接口QPS峰值从8万突增至25万的挑战，主导完成交易链路全链路压测与瓶颈定位：通过Arthas诊断发现MySQL慢查询占比35%，结合业务场景将热点商品库存扣减从行锁改为Redis分布式锁+本地Lua脚本校验，同时拆分订单主表为订单头表（存储基础信息）与订单明细表（存储SKU详情），配合ShardingSphere实现动态分库分表（按用户ID取模分16库），最终接口RT从180ms降至45ms，大促期间系统零宕机，订单成功率稳定在99.995%。
• 牵头设计跨业务线的统一支付中台，整合原各业务线独立支付模块（涵盖微信/支付宝/钱包等6种支付方式）：基于Spring Cloud Alibaba重构服务治理体系，引入Sentinel实现支付流量分层限流（核心支付接口阈值设置为QPS 10万），通过RocketMQ事务消息保障支付状态与订单状态的一致性（消息投递成功率99.999%），上线后支付链路代码冗余度降低60%，新业务接入支付功能开发周期从7天缩短至2天。
• 推动团队技术规范升级，主导编写《高并发交易系统设计手册》与《分布式事务最佳实践指南》：结合Seata TCC模式在库存中心的应用案例（解决超卖问题成功率99.99%），沉淀出“业务场景-事务模式匹配矩阵”，覆盖秒杀、预售等8类高频场景；同步引入SonarQube进行代码质量门禁（圈复杂度阈值≤15，重复率≤3%），团队代码缺陷率下降45%。
• 优化分布式缓存体系，解决大促期间Redis热点Key击穿问题：针对爆款商品库存查询场景，采用“本地Caffeine缓存+Redis二级缓存”双写策略，设置本地缓存过期时间为500ms（动态调整），配合Redis Cluster的Hash槽位分散热点Key，热点Key查询成功率从92%提升至99.9%，缓存集群CPU利用率从85%降至60%。

负责平台核心本地生活服务（到店团购、外卖配送）的业务开发与性能调优，参与微服务架构从0到1落地，支撑单城市日订单量从1万增长至50万的业务扩张。

• 主导到店团购订单模块开发，基于Spring Boot+MyBatis构建高内聚低耦合的服务架构：设计订单状态机（包含12种状态、8类事件），通过状态模式实现状态流转逻辑解耦，支持灵活扩展新状态；集成Redisson分布式锁解决团购券核销并发问题（单券库存1000份时，核销成功率从98%提升至99.99%），上线6个月内支撑单月200万+订单交易。
• 优化外卖配送调度系统性能，解决骑手派单接口响应慢问题：原方案基于MySQL空间索引计算骑手位置与订单距离，QPS仅2000；重构为Geohash编码+Redis Geo数据结构，预计算骑手5公里范围内的订单池，配合RabbitMQ异步分发派单任务，接口RT从300ms降至80ms，派单效率提升4倍，骑手日均接单量从15单增至22单。
• 参与微服务治理体系建设，推动团队从单体架构向Spring Cloud迁移：主导服务注册中心（Nacos）、配置中心（Apollo）、网关（Spring Cloud Gateway）的落地，设计服务熔断规则（错误率≥5%触发熔断，恢复时间10s），配合Zipkin实现全链路调用追踪（平均排查故障时间从2小时缩短至15分钟），系统故障恢复时长降低70%。
• 设计用户行为日志采集与分析系统，支撑运营活动效果评估：基于Logstash收集前端埋点日志（日均500GB），通过Kafka缓冲后写入Elasticsearch（分32个索引分片），开发自定义DSL查询语法支持多维度聚合分析（如活动转化率、用户停留时长），运营团队数据获取效率提升80%，支撑3次大促活动策略优化。

负责电商平台基础服务（用户中心、商品中心）的功能迭代与稳定性保障，参与中间件适配与性能优化，支撑平台从垂直电商向综合电商平台转型。

• 重构用户中心服务，解决用户登录态频繁失效问题：原方案依赖Cookie存储Session，跨域名场景下丢失率达15%；迁移至JWT令牌机制（设置过期时间30min，配合Redis存储刷新令牌），同时优化密码加密算法（从MD5升级为BCrypt+盐值哈希），用户登录成功率从88%提升至99.5%，安全漏洞扫描风险项减少90%。
• 优化商品搜索接口性能，解决模糊查询耗时过长问题：原方案使用MySQL LIKE查询（商品库1000万+数据），QPS仅500；引入Elasticsearch构建商品索引（包含标题、类目、属性等12个字段），设计IK分词器自定义词库（覆盖行业术语2000+），配合缓存预热策略（热门商品索引缓存30分钟），搜索接口RT从800ms降至120ms，搜索请求占比从30%提升至55%。
• 开发分布式任务调度平台，替代传统Quartz单机调度：基于Spring Boot+ZooKeeper实现任务节点注册与心跳检测，支持动态添加/删除执行器（最大支持100+节点），设计任务分片策略（按商品ID取模分配），支撑每日百万级商品价格同步任务（原方案需4小时完成，现仅需40分钟），任务失败重试成功率从85%提升至98%。
• 主导编写《Java开发编码规范》与《常见性能问题排查手册》：结合团队开发中高频问题（如内存泄漏、线程阻塞），整理OOM排查步骤（通过MAT分析堆转储文件）、SQL慢查询优化指南（覆盖索引失效、全表扫描等场景），新入职开发人员上手周期从2周缩短至5个工作日。

高并发直播弹幕系统重构与性能优化项目

• 项目背景：公司核心直播业务年增速达40%，原基于Spring Boot+Redis的单节点推模式弹幕系统，在峰值QPS突破1.2万时出现严重延迟（平均250ms）、丢弹率升至0.15%，且Redis因大key问题频繁内存溢出。我的核心目标是主导系统全链路重构，支撑峰值5万QPS、延迟≤100ms、丢弹率<0.01%的严苛要求。
• 关键难题：①高并发下弹幕分发的低延迟瓶颈，原有单节点推模式无法横向扩展；②Redis存储弹幕元数据时，大key（单直播间弹幕列表超10万条）导致内存占用过高、查询延迟飙升；③弹幕去重与顺序性保证难以兼顾——原有布隆过滤器方案误判率高，且无法维持跨分片的消息顺序。
• 核心行动：1. 架构层面改用“Kafka削峰+推拉结合”模式：用Kafka做消息缓冲，拆分“写入层”（异步消费Kafka存TiDB）与“分发层”（基于Redis Cluster的多级缓存，热点直播间单独分片）；2. 自研轻量级弹幕索引服务：用“布隆过滤器+分片序列号”解决去重与顺序问题——每个直播间按用户ID分16个分片，分片内用Redis Sorted Set存序列号，既降低大key风险又保证顺序；3. 存储层替换：用TiDB替代MySQL，支持弹幕数据的水平扩展与HTAP混合查询，解决持久化瓶颈。
• 项目成果：重构后系统峰值QPS达6.8万，延迟降至75ms以内，丢弹率<0.005%，Redis内存占用较之前下降40%；成功支撑公司年度直播盛典（单场最高在线1200万），业务侧用户满意度调研显示“弹幕流畅度”评分从3.2分提升至4.5分。我主导输出了《直播类高并发系统设计规范》，成为公司同类项目的技术标准。

用户行为分析平台实时计算核心引擎开发项目

• 项目背景：公司需构建用户行为分析平台，支撑运营实时调整直播/活动策略，但原有基于Storm的实时计算方案存在延迟高（平均800ms）、复杂事件处理（CEP）性能差（规则匹配耗时占比60%）的问题。我的职责是主导实时计算核心引擎开发，实现百万TPS吞吐、延迟≤500ms、支持自定义CEP规则的目标。
• 关键难题：①Storm的Spout/Bolt模型灵活性不足，难以应对动态规则变更；②复杂事件处理（如“用户30秒内连续点赞+评论”）的规则解析效率低，原有正则匹配方案拖慢整体吞吐；③跨设备用户行为关联困难——不同终端生成的ID无法统一，导致行为数据碎片化。
• 核心行动：1. 技术选型切换至Flink：利用其DataStream API的状态管理与Checkpoint机制，优化故障恢复时间至10秒内，同时支持动态加载规则（通过配置中心实时推送至TaskManager）；2. 自研CEP引擎：用DFA（确定性有限自动机）替代正则匹配，将规则编译为状态转移图，规则匹配耗时从15ms/条降至5ms/条；3. 设计全局唯一ID方案：基于雪花算法优化，加入设备指纹维度，解决跨端用户行为关联问题，关联准确率达99.9%。
• 项目成果：引擎上线后支撑日均1.2亿条行为数据的实时处理，延迟稳定在300ms以内；支撑运营侧实现“促销活动实时调优”——某次美妆直播中，通过实时分析用户停留时长与点击路径，快速调整福袋发放策略，使直播转化率提升15%。我主导的“Flink+自研CEP”方案成为公司实时数据处理的基础框架，后续支撑了会员行为分析、广告效果追踪等多个场景。

• 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。