• 为某大型金融机构客户成功落地“GDPR/《数据安全法》/《个人信息保护法》”合规治理项目。通过自主研发的“敏感数据自动发现与分类分级”引擎，对PB级历史数据仓库进行扫描，识别准确率超95%，并自动打标，奠定了数据安全治理的基石。
• 设计“数据安全策略中心”，实现了基于角色、数据分级、使用场景的动态访问控制和脱敏策略，统一管理了Hive、HBase、ClickHouse等多种数据源的权限，权限申请流程从3天缩短至1小时，且安全无事故。
• 构建“数据合规审计”体系，能够对所有数据的访问、查询、导出行为进行全链路追踪与记录，并自动检测异常操作，满足了金融监管的苛刻要求，助力客户顺利通过多项审计。
• 该项目成为行业标杆案例，成功复制到银行、保险等多个客户，年创造咨询与产品收入超三千万元。

• 主导制定并推行公司级数据治理战略蓝图与实施路线图，构建涵盖​​数据标准、质量、安全、血缘、生命周期​​的完整治理体系，统一管理公司​​PB级​​数据资产，使数据治理成熟度从混乱提升到受管级别。
• 建立数据价值与成本量化评估模型，通过治理手段精准识别并下线​​30%​​ 的低价值高成本数据存储，年节省存储与计算成本超​​数百万元​​，并推动数据资产入表工作。
• 主导落地数据分类分级与敏感数据动态脱敏方案，全面满足​​GDPR、数安法、个保法​​等合规要求，实现敏感数据访问100%受控，全年零数据安全事件。
• 领导研发​​一站式数据治理平台​​，集成元数据、数据质量、数据标准等功能，将治理流程工具化、自动化，提升协同效率​​50%​​；带领​​5人​​跨职能团队，建立数据治理文化。

星途社区实时用户行为分析平台升级项目

• 星途社区作为千万级DAU的UGC内容平台，原有实时用户行为分析链路依赖传统Kafka+Flink架构，存在消费瓶颈（峰值延迟超5秒）、状态故障频发（日均3次）等问题，无法支撑运营团队对热点话题、用户互动的实时决策需求。我作为大数据开发负责人，主导整个平台的架构重构与落地，涵盖数据采集、传输、计算、存储全链路设计，对齐业务“实时洞察-快速干预”的核心诉求。
• 面临两大技术挑战：一是原Kafka分区策略基于内容ID哈希，导致用户行为数据分散在不同分区，消费线程负载不均（部分线程利用率超90%，部分不足30%）；二是Flink作业状态采用本地RocksDB存储，故障恢复时间长（平均15分钟），且状态膨胀（单作业状态达200GB+）引发频繁GC。针对前者，我通过用户行为数据特征分析（用户ID的访问频次占比70%），设计“用户ID+行为类型”的复合分区策略，结合Flink RebalanceListener实现动态分区扩容；针对后者，引入分层状态存储（近期状态存SSD，历史状态归档至HDFS），并优化checkpoint间隔（从1分钟调整为30秒）与并行度（从8并行提升至16并行），降低故障恢复成本。
• 行动上，我先通过Jaeger链路追踪与JVM火焰图定位瓶颈点，输出《实时链路性能优化诊断报告》；然后牵头组织数据采集、算法、产品团队评审新架构方案，确认分区策略与状态管理的可行性；接着主导代码重构，实现复合分区逻辑与分层状态存储，并通过灰度发布（先切10%流量）验证稳定性，修复了3个因分区不均导致的消费延迟问题；最后优化监控体系，新增分区负载、状态大小、checkpoint成功率等5个预警指标，实现问题提前感知。
• 项目上线后，实时链路延迟降至800ms以内（峰值），故障次数下降85%，支撑运营团队在大促期间对“暑期热点话题”进行实时流量倾斜（话题广场曝光量提升30%），带动社区整体互动率提升18%。我个人沉淀的《高并发场景下Flink状态管理与分区优化手册》成为团队技术规范，推动后续3个实时项目复用该方案。

星途短视频内容标签实时计算系统搭建项目

• 星途短视频业务原有内容标签以离线T+1计算为主，无法满足推荐系统对用户兴趣实时捕捉的需求——用户刚发布的视频标签未及时同步，导致推荐准确率低（点击率仅3.2%）。我作为核心开发，负责实时标签系统的多源数据融合、标签引擎设计与落地，目标是实现标签分钟级更新，支撑推荐算法的实时迭代。
• 项目难点在于两点：一是多源数据（用户基础信息、视频行为、社交关系）的实时同步与一致性保障——MySQL用户表更新后，需1分钟内同步至标签系统；二是标签规则（如“热门创作者”“兴趣偏好”）需支持运营动态更新，传统硬编码方式无法满足灵活变更需求。针对前者，我用Canal捕获MySQL binlog同步用户元数据，Kafka传输用户行为数据，通过Flink的Watermark与Exactly-Once语义保证数据一致性；针对后者，设计基于Groovy脚本的规则引擎，将标签规则存储在Apollo配置中心，支持热更新无需重启作业。
• 我主导设计了“数据接入-清洗-标签计算-存储”的实时pipeline：数据层用Kafka统一传输，计算层用Flink实现多源数据关联（用户基础信息+行为特征），标签层用规则引擎动态计算标签值；同时优化数据shuffle效率，采用广播变量传递规则（减少网络开销80%），并引入滑动窗口（1分钟）计算用户近期行为特征（如“近5分钟点赞的视频类别”）。此外，为解决标签时效性，我将标签存储从HBase迁移至Redis，支持毫秒级查询。
• 系统上线后，标签更新延迟从6小时降至5分钟内，推荐系统点击率提升至3.6%（增长12%），离线标签计算资源成本节省40%（从12台机器降至7台）。项目支撑了短视频推荐团队的A/B测试，验证实时标签对用户留存的提升（7日留存率从28%升至33%）。我个人在这个项目中掌握了多源实时数据融合技术，提升了复杂规则引擎的设计能力，为后续实时数仓建设打下基础。

• 大二观察到毕业生离校时大量教材被废弃，而新生购书支出占生活费12%，便发起校园书籍教材循环计划。为解决传统二手书交易效率低的问题，我们开发微信小程序实现扫码估价、预约取件功能，并说服快递中心以成本价承接物流。
• 通过建立翻新消毒标准打消卫生顾虑，项目年流通教材1.2万册，累计为同学节省书费38万元。这段经历让我从商业小白成长为能设计闭环模式的实践者，项目不仅获省级创业金奖，更被纳入学校官方服务体系延续至今。