长鑫存储量检测值班课经理|Defect&Metro Operation Section Manager(J17098)

1.分析产品在检测过程中发生的异常问题，并做出相应的处置。 2.针对研发过程中检测到的缺陷异常进行初步分析，能够基于分析数据和相关已知的知识积累快速做出正确的响应，对生产线异常下达准确遏制措施。 3.针对发生的案例，整理相关的报告，准确描述问题，推理相关的失效机理，澄清案例的影响范围，以及完成相关数据收集工作。 4.根据工程师交接的内容，完成相关实验收集以及判断工作。

1. 技术方案设计 ● 了解并分析ECS基础设施（如神龙MoC卡 + 宿主机）在系统稳定性与高可用方面的设计目标； ● 根据业务需求，评估技术可行性，参与方案评审，完成技术选型、功能设计、系统架构、数据结构和开发流程的规划。 2. 技术实现 ● 参与虚拟机故障逃生等创新性技术的研发工作，能根据整体方案拆解任务，独立完成模块设计、编码和系统功能开发； ● 负责故障检测、隔离、恢复、数据一致性校验等核心功能的架构设计和代码实现，持续优化系统性能； ● 参与代码评审和阶段性讨论，通过调试和优化，确保代码高质量交付； ● 负责开发和上线后的系统维护，包括值班响应、问题排查、故障诊断、体验优化、性能与成本调优等； ● 编写必要的技术文档，如操作手册、排障指南、API说明等，支持团队运维和问题处理。 3. 系统稳定性与性能优化 ● 运用优化方法和技术手段，提升系统的安全性、稳定性和运行效率，保障ECS基础设施的可靠运行，改善客户使用体验。 4. 技术预研 ● 跟踪系统可靠性（RAS）和高可用技术的发展趋势，结合实际业务需求，提出可行的技术建议和架构改进方案。 5. 技术规划 ● 深入理解业务方向，结合长期发展需求，制定高可用、高可靠、易扩展的技术架构规划，并推动落地实施。

1、技术方案设计 • 基于业务关键路径与风控等级，主导可靠性目标体系设计：SLA、SLO、SLI 定义与度量口径固化，建立 Error Budget 机制并推动准入/发布决策闭环； • 设计统一的可观测性与事件数据模型（日志/指标/链路/事件/变更），输出监控覆盖与告警分级策略； • 面向容量与资源弹性制定预测与规划方案：峰值建模、容量水位、扩缩容阈值、突增防护。 2、技术实现 • 将可靠性方案拆解为落地任务：指标接入、探针开发、告警规则、治理脚本、自动化运维工具、调度策略优化等，按规范交付； • 编写高质量自动化脚本与服务（Python/Go/Java/Shell），实现批量操作、巡检、数据对账、状态校验、健康探测与回滚； • 深度参与故障应急：值班 OnCall、事件指挥、跨团队协调、战情同步；推动 MTTA/MTTR 降低。 3、安全、稳定、效率和性能优化 • 建立全链路 SLI 指标体系：可用性、延迟、吞吐、错误率、资源利用率、队列深度、调度成功率、实例生命周期关键状态等；持续可视化与例会化分析； • 优化告警体系：告警质量指标（噪音率、误报率、漏报率、可行动性）、Alert → Incident 转换标准、分级通知矩阵； • 推进开发协同（左移）：在设计、开发与测试阶段加入稳定性 CheckList（幂等性、重试策略、熔断/超时、探活、依赖降级、状态收敛）。 4、技术预研 • 预研 Chaos 工具/平台并结合业务特性沉淀标准化故障模型与韧性指标； • 评估智能告警关联、根因定位、异常检测（时序/拓扑/依赖图谱）算法的适用性与成本收益，推动 PoC 与灰度落地； • 针对下一代可观测性（日志与指标融合、采样优化、eBPF 无侵入追踪）提出演进路线。 5、技术规划 • 基于业务增长曲线、产品演进与战略项目制定年度/季度稳定性 OKR：SLO 提升、MTTR/噪音告警压降、自动化覆盖率、演练覆盖率、容量冗余下降、成本优化目标等； • 规划多活/容灾演进路线：跨 Region 容灾 → 主动故障转移 → 智能调度；分阶段 KPI（RTO/RPO、演练周期、切换自动化程度）； • 制定发布与变更分级治理路线：高风险变更识别 → 准入标准 → 影子/灰度策略 → 自动化验收 → 全量放量策略 → 回滚演练常态化。

1. 负责部门运营指标的监控和维护，保障生产效率和指标优化。 2. 制定人员培训计划，严格把控培训进度，提升团队专业能力。 3. CIM 系统开发和应用，参与EAP，MES，SPC等生产系统优化，提升生产数智化能力。 4. 跨部门沟通协调资源，保证业务顺利运营。