中/高级SRE可靠性工程师

通过容量规划、多机房容灾、集群管理与弹性伸缩，持续提升系统架构健壮性与高可用能力，支撑规模化增长下的稳定运行。

通过风险梳理、告警完整度盘点、核心功能链路（Topo）梳理与重点保障，构建""责任到人、跟踪至关闭""的风险闭环，确保风险及时发现、量化评估、前置治理。

建设事前（SLI 达标性治理）、事中（Critical 告警应急机制）、事后（外网问题与事故应急响应及升级机制）全周期措施，降低事故数和 MTTR，保障系统稳定运营、提升质量口碑、降低客诉、保障 SLA 市场竞争力。

建设覆盖 Metrics / Logging / Tracing 的一体化可观测体系，消除监控盲区，实现故障快速发现、精准定位与根因下钻，为容量决策与稳定性治理提供数据支撑。

负责中间件、数据库、存储、K8s、云函数等组件的运维保障，通过定期巡检、监控预警、容量评估与自动化运维，保障底层高可用、高性能与安全合规。

负责系统/项目成本预算编制与管理，洞察成本劣化趋势，通过建设成本管理与优化 SOP，在保障稳定性前提下持续降本、提升资源利用率与投入产出比。

通过故障注入、定期故障演练（混沌工程）及与云厂商运维联动，全面提升容灾容错能力，验证并迭代应急预案，实现故障的快速转移与恢复。

计算机、软件工程相关专业，本科及以上；5 年以上系统运维 / SRE / 稳定性保障经验，主导或深度参与过大规模在线服务（SaaS/PaaS/云平台）稳定性体系建设。

深入理解 SRE 方法论（SLI/SLO/Error Budget、MTTR 拆解、故障分级与复盘），有从 0 到 1 搭建监控告警、应急响应、故障复盘闭环的实战经验。

精通 Linux 系统运维与性能调优，深入理解操作系统与网络协议栈（TCP/IP、HTTP/HTTPS、DNS、负载均衡）；熟悉数据中心/机房架构、多机房容灾、异地多活、专线/VPC/网络分区等设计，具备容量规划与网络故障排查能力。

精通 K8s / Docker 容器化与集群运维，熟悉云原生生态（Service Mesh、Helm、Operator）；熟悉 CI/CD 流水线与 DevOps 工具链，有灰度发布、自动化部署与 IaC 实践。

精通 Java/Go/Python 至少一门语言，熟练编写运维脚本，熟悉分布式与高并发高可用设计；熟练掌握可观测性技术栈（Metrics/Logging/Tracing）与工具。

具备服务依赖拓扑治理经验；能用数据度量稳定性（达标率、认领率、关单率、MTTR）驱动跨团队治理，抗压能力强，能在故障中主导组织级协同。

加分项：混合云/私有化/边缘计算部署运维，或 AI 基础设施/大模型应用稳定性保障；有成本优化、混沌工程/故障演练、云厂商运维联动经验者优先。