负责公司核心电商交易链路全生命周期SRE保障，涵盖SLO体系搭建、故障根因分析、K8s集群自治及跨团队可靠性工程实践落地

• 主导电商交易核心服务（日请求量超10亿次）的SLO体系设计，基于ITU-T Y.1540标准定义99.99%可用性、P99≤200ms延迟等关键指标，通过Prometheus Alertmanager定制分级告警规则（区分P0-P3级），将误报率从18%降至3%，支撑双11大促期间0级故障响应时间缩短至5分钟内，保障交易链路零中断
• 核心参与混沌工程实践，使用Chaos Mesh对订单支付链路注入节点宕机、网络分区、第三方接口超时等故障，识别出3个单点依赖组件（如库存服务同步接口），推动研发重构为“分布式缓存+Kafka异步队列”方案，全年该链路故障次数从12次降至2次，MTTR从45分钟缩短至12分钟
• 负责500节点K8s集群自治运维，编写Python脚本集成Cluster API与自定义控制器，实现“CPU持续5分钟>85%”“内存泄漏率>10%/小时”等条件触发节点自动置换，将集群运维人力投入从每周12人时降至3人时，节点可用率提升至99.95%
• 牵头跨研发、产品、测试团队落地容量规划流程，使用Gatling模拟峰值QPS 15万的场景压测，结合历史流量30%同比增长预测资源需求，优化EC2 Auto Scaling策略，大促期间服务器成本降低15%，未出现性能瓶颈

负责金融科技核心系统（支付清算、风险控制）SRE运维，聚焦高可用架构设计、故障预防及DevOps工具链整合

• 主导支付清算系统（日均处理1000万笔交易）高可用改造，设计两地三中心多活架构，使用Keepalived+Nginx实现流量秒级切换，通过年度容灾演练验证RTO≤30秒、RPO≤5秒，满足银保监会《商业银行业务连续性监管指引》要求
• 搭建ELK+Jaeger全链路追踪体系，关联业务操作日志与系统metrics、追踪数据，将风险控制系统故障定位时间从60分钟缩短至15分钟，其中链路依赖问题导致的故障占比从25%降至8%，支撑风控决策响应速度提升20%
• 整合DevOps工具链，将Jenkins流水线与Ansible、Terraform结合，实现“代码提交→镜像构建→K8s部署→自动化验证”全流程自动化，部署时长从45分钟缩短至10分钟；引入SonarQube代码质量门禁，阻断低质量代码上线，研发交付故障率降低20%
• 编写《金融科技系统可靠性工程手册》，涵盖故障管理、容量规划、混沌工程等8个模块，组织季度跨团队培训（覆盖80人次），推动团队整体MTTR下降18%

负责公司CDN平台日常运维，保障边缘节点稳定性、内容分发效率及用户访问体验

• 搭建CDN节点健康度评分模型（维度包括带宽利用率、请求成功率、延迟），使用Go语言开发监控插件集成Zabbix，实现异常节点提前2小时预警，节点故障率从每月5%降至1.2%，用户访问失败率下降40%
• 分析用户访问日志（日均10亿条）发现热点内容（影视剧预告片）缓存命中率仅65%，通过调整Redis缓存策略（增加本地节点缓存层、延长热点内容过期时间至24小时），将缓存命中率提升至88%，源站带宽成本降低22%（年节省约300万元）
• 主导处理某地区节点大规模宕机故障（影响50万用户），快速定位为运营商DNS解析故障，协调切换备用DNS并通过应急脚本将流量引流至周边健康节点，故障恢复时间控制在1小时内，实际影响用户降至8万
• 编写Shell脚本实现CDN节点配置批量下发（覆盖1000+节点），替代人工逐台操作，配置错误率从3%降至0.1%，单次配置变更耗时从2小时缩短至15分钟，运维效率提升50%

电商大促高可用保障体系全链路升级项目

• 项目背景：公司核心电商平台面临逐年攀升的大促流量压力——2021年双11峰值QPS达80万时，曾因数据库连接池耗尽、缓存击穿导致页面响应超时率达12%，故障 downtime 超过30分钟，严重影响用户体验与GMV转化。核心目标是通过全链路技术升级，支撑2024年双11120万QPS峰值，将故障 downtime 控制在5分钟内，同时降低日常运维人力投入。
• 关键难题：①现有监控体系碎片化，仅覆盖服务CPU/内存，未穿透至数据库慢查询、缓存命中率、下游接口延迟等业务链路关键节点；②流量调度依赖人工经验，无法快速适配突发峰值；③容灾演练流于“脚本执行”，故障切换时间长且易遗漏边缘场景。
• 核心行动：1. 主导设计“三层全链路监控体系”：应用层用Prometheus+Grafana定制指标（如MySQL连接池利用率、Redis热点key命中率），中间件层通过ELK关联服务日志与数据库慢查询日志，用户层接入New Relic监控前端接口成功率与首屏加载时间，实现“从用户点击到数据库操作”的全链路可观测；2. 开发智能流量调度引擎：基于Python+TensorFlow训练流量预测模型（准确率达92%），联动Nginx Plus与CDN厂商API，实时调整节点权重与流量分发策略，支撑峰值流量自动削峰填谷；3. 推动混沌工程标准化：用Chaos Mesh模拟数据库宕机、缓存击穿、下游服务熔断等12类场景，重构故障切换脚本（将Redis主从切换从依赖VIP漂移改为直接连接哨兵），并通过GitOps实现演练脚本版本化管理。
• 项目成果：成功支撑2023年618（峰值QPS115万）与2024年双11（峰值QPS132万），全程零 downtime；故障排查时间从40分钟缩短至8分钟，日常运维人力投入减少40%；监控覆盖率从65%提升至98%，提前预警并解决潜在风险17起。本人主导了体系设计与核心模块开发，推动跨团队（研发、测试、产品）达成“全链路可观测”共识，成为公司大促保障的标准技术方案。

容器化平台自动化运维工具链研发项目

• 项目背景：公司推进容器化战略，K8s集群规模从50个服务扩展至200个服务，但运维工具分散（依赖kubectl命令、Jenkins Pipeline拼接、手动修改ConfigMap），导致部署失败率达每月10次，单次部署耗时超2小时，严重拖慢迭代节奏。核心目标是构建统一的自动化工具链，将部署时间压缩至30分钟内，配置错误率降至0.1%以下。
• 关键难题：①K8s原生API复杂度高，开发自定义功能门槛大；②不同业务线的部署需求差异大（如电商服务需滚动更新，金融类服务需蓝绿部署）；③缺乏统一的配置模板，各服务YAML文件冗余且易冲突。
• 核心行动：1. 基于K8s Operator框架开发“自定义部署控制器”，封装滚动更新、蓝绿部署、金丝雀发布三种通用模式，提供REST API供研发团队调用，隐藏底层K8s细节；2. 设计“服务配置模板中心”：用YAML Schema定义通用字段（如镜像版本、副本数、资源 limits），研发人员仅需填写业务参数即可生成合规YAML，避免配置冲突；3. 集成CI/CD流水线：将Jenkins Pipeline与工具链对接，实现“代码提交→镜像构建→自动化测试→部署到预发环境→全链路验证→生产部署”的全流程自动化，同时嵌入配置校验插件（用Schema Registry检查YAML合法性）。
• 项目成果：工具链上线后，单次部署时间从125分钟缩短至28分钟，配置错误率从10次/月降至0；支撑公司3个核心业务（电商、社交、金融）完成容器化迁移，运维人力成本降低30%；工具被纳入公司技术中台，成为所有研发团队的标准运维入口。本人主导了需求调研与架构设计，完成了Operator控制器的核心逻辑开发，推动跨团队达成“配置标准化”与“流程自动化”的共识。

• 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。