• 主导构建了公司新一代“基于eBPF的可观测性平台”，通过eBPF技术无侵入地采集应用网络流量、系统调用等指标，实现了代码零修改的全链路网络性能分析，精准定位了多个微服务间的网络性能瓶颈，将平均网络延迟优化了15%。
• 利用eBPF开发了“持续性能剖析”工具，以极低的开销（<1%）持续采集生产环境应用的CPU、内存火焰图，帮助开发团队发现并优化了多个深层次的代码性能问题，使核心服务P99延迟降低20%。
• 通过设计“智能根因分析”算法，能自动关联metrics, logs, traces和eBPF网络数据，在发生故障时快速定位问题是出在应用代码、网络、中间件还是资源层面，将平均故障定位时间（MTTR）缩短了60%。
• 将该平台以“可观测性即代码”的方式提供给所有开发团队，通过简单的注解即可开启深度监控，极大地降低了使用门槛，提升了整个研发体系的可观测性水平。

• 维护和优化基于Prometheus的监控告警体系，处理了海量指标带来的存储和查询性能挑战，保障了系统的稳定性。
• 深入学习了eBPF技术，并尝试编写了一些简单的工具用于网络抓包和性能分析，为后续的重大项目做好了技术储备。
• 积极参与on-call轮值，处理线上故障，培养了敏锐的风险意识和应急处理能力。

文娱业务低延迟高可用运维平台研发及规模化落地

• 项目背景：公司文娱业务（直播、长视频、会员系统）用户量年增长40%，现有运维体系存在工具碎片化（分散的监控、配置、自动化工具）、故障排查耗时（平均45分钟/次）、资源成本超支（年度服务器成本占比营收18%）等痛点。核心目标是构建统一运维平台，实现“高可用保障、低延迟监控、自动化运维”，支撑业务快速迭代。我作为运维开发负责人，主导平台整体设计、跨团队需求对齐及落地推进。
• 关键难题与技术方案：a) 多环境配置一致性难——传统手动配置易出错；b) 直播流低延迟监控缺失——传统Prometheus 60秒采集间隔无法满足端到端≤500ms延迟的实时追踪；c) 故障自愈覆盖不足——高频问题（如Pod重启、数据库连接池耗尽）仍需人工干预。针对性方案：采用Terraform+Ansible组合实现配置代码化；自研直播流延迟Exporter，整合CDN日志、应用埋点及网络探针数据，将采集间隔缩短至10秒；基于Python开发20+高频故障自愈剧本，联动告警系统自动修复。
• 核心行动与创新：牵头组织研发、产品、运营3轮痛点调研，输出《运维痛点清单》及需求文档；设计“配置管理-监控告警-自动化运维-成本分析”微服务架构（Spring Cloud）；带领5人团队完成Exporter开发、Terraform模板编写及自愈剧本调试；推动预发环境1个月灰度验证，再逐步推广至生产核心业务。
• 项目成果与价值：平台上线6个月覆盖80%核心业务，故障排查时间降至8分钟内，自动化率从35%提升至75%；年度服务器成本降低22%（约节省1200万元），支撑“暑期直播季”零重大故障，用户观看延迟降低15%。我个人主导的平台架构获公司“年度技术创新奖”，成为新业务运维标准底座。

短视频核心服务容器化迁移与弹性伸缩体系搭建

• 项目背景：公司短视频业务爆发（月活从1亿增至3亿），传统虚拟机部署存在资源利用率低（30%）、扩容慢（15分钟/次）、交付周期长（每周2个服务）等问题。核心目标是将feed流、视频上传等核心服务迁移至Kubernetes，构建弹性伸缩体系。我作为运维开发核心成员，负责容器化适配、弹性策略设计及迁移落地。
• 关键难题与技术方案：a) 老服务（Spring Boot 1.x）依赖本地文件系统及固定IP，迁移后服务发现失败、日志丢失；b) 流量波动大（热点事件QPS暴涨5倍），传统CPU指标HPA无法满足快速扩容；c) 迁移需保障业务连续性。解决方案：用Helm打包服务，定制化NFS解决文件依赖，通过Istio实现服务发现；构建多维度弹性指标（QPS+延迟+错误率+CPU），自定义HPA策略将扩容阈值从“CPU≥70%”调整为“QPS≥1万且延迟≥2秒”；制定“灰度迁移+回滚预案”，开发迁移状态监控面板。
• 核心行动与创新：对12个核心服务做容器化评估，输出《迁移可行性报告》及“先易后难”路线图；开发自动化工具将虚拟机配置转为K8s YAML，减少人工错误；压测验证伸缩效果，调整指标权重；推动研发优化代码（增加缓存、减少DB连接）提升容器性能。
• 项目成果与价值：3个月完成12个服务迁移，资源利用率从30%升至65%，扩容时间降至2分钟内；支撑峰值QPS从5万提至20万，无扩容故障；运维人力成本降低40%（原3人部署现1人自动化完成）。该弹性体系成为公司K8s集群标准配置，后续新服务默认采用。