米哈游SRE运维工程师（基础架构）

职位概述： 我们正在寻找一位对系统稳定性和高可用性有着极致追求的高级运维工程师。您将成为我们电商及资讯平台基础设施的“守护者”，核心职责是确保生产环境7x24小时高可用，并高效管理从故障发现到恢复的全生命周期。您需要具备深厚的技术功底、冷静的应急心态和强大的复盘能力，通过自动化、流程化和系统化的方法，不断提升我们系统的韧性与可观测性，为亿万用户的顺畅体验保驾护航。 核心职责： 1. 系统高可用性保障： o 负责公司核心业务（电商、资讯）生产环境及基础设施（服务器、网络、数据库、中间件等）的稳定运行，确保服务SLA达到或超过既定目标（如99.99%）。 o 设计、实施和维护高可用和容灾架构，包括同城双活、异地灾备等方案的落地与演练。 2. 监控与应急响应： o 主导建设和优化集中式监控、日志分析与告警系统（如Prometheus/Grafana, ELK, Zabbix, Datadog等），确保能提前预警、快速发现问题。 o 作为主要事故处理指挥官（Incident Commander），负责7x24小时应急响应，领导并协调相关团队对线上事故进行快速定位、止损和恢复，最大限度降低影响。 3. 事故全生命周期管理： o 严格遵循ITIL等最佳实践，管理事故（Incident）和处理工单（Ticket）。 o 主导重大事故复盘（Post-mortem），编写详尽的复盘报告，深入分析根因，并推动落实改进措施（如代码修复、流程优化、架构调整等），避免同类问题重复发生。 4. 运维自动化与效率提升： o 通过编写脚本（Shell/Python/Go等）和利用自动化工具（Ansible/Terraform等），自动化日常运维操作和故障处理流程，提升效率，减少人为失误。 o 践行SRE（Site Reliability Engineering）理念，通过代码管理基础设施（IaC）。 5. 容量规划与性能优化： o 定期进行系统容量评估和规划，确保系统有能力应对业务增长和突发流量（如大促活动）。 o 分析系统性能瓶颈，协同开发团队进行调优，提升系统效率和资源利用率。 6. 系统组件的安全升级及维护： o 常规维护能力：具备使用安全扫描工具进行安全漏洞扫描额能力。 能全程跟进系统组件安全管理，做好版本监控、漏洞扫描与风险评估，按计划升级部署补丁、更新配置，快速应对突发安全事件，降低业务受影响程度。 o 借助工具强化能力：熟练使用安全卫士等工具，将其融入维护流程。实现自动化漏洞检测与修复建议输出，实时监控异常与潜在威胁并预警阻断，利用日志分析优化安全策略，构建闭环安全管理体系。

岗位描述： 1、负责同程旅行核心服务的高可靠、稳定、高效运行，持续保障核心业务 SLA 达成； 2、主导服务架构设计与评审，推动 AI 辅助的容量规划、性能调优与智能配置治理； 3、推进系统稳定性与容灾方案设计及落地，结合混沌工程与 AI 预测能力构建自适应韧性架构； 4、主导重大故障应急响应，利用智能运维（AIOps）技术，基于多维度监控、日志、Trace数据进行智能告警、自动止损与根因定位； 5、参与日常值班与线上应急响应，并通过自动化与 AI 工具提升故障处理效率与精准性。

1.负责企业人事、财务、数据系统的运维工作，持续关注系统运行成本，推动降本增效； 2.负责审查架构合理性，梳理、识别应用架构风险，解决或推动业务研发解决架构风险； 3.完善相关应用的监控告警、降级与预案建设，组织故障演练、应急止损、事故复盘等稳定性工作；

1.负责保障公司系统、应用和服务的高可用性、可靠性和性能，设计、实施和维护监控系统，及时发现并解决潜在问题； 2.快速响应和解决生产环境中的故障，确保系统正常运行； 3.开发和维护自动化工具，提高系统部署、配置和监控的效率； 4.分析系统资源使用情况，进行容量规划，确保系统能够满足业务增长需求。