面向企業(yè)級全球網(wǎng)絡(luò)基礎(chǔ)設(shè)施環(huán)境，負責(zé)可觀測性平臺（Monitoring / Alerting / Logging）的工程化建設(shè)與運營，聚焦穩(wěn)定性與可運營性目標，通過告警治理、日志平臺能力建設(shè)、可靠性工程（SRE/NRE）與工程化交付（IaC/GitOps/CI-CD）提升故障發(fā)現(xiàn)與定位效率、降低告警噪聲、提升變更質(zhì)量與可追溯性。
崗位職責(zé)1）企業(yè)網(wǎng)絡(luò)可觀測性體系（Observability Engineering）
- 建設(shè)并維護覆蓋全球節(jié)點/網(wǎng)絡(luò)資源的生產(chǎn)級監(jiān)控體系，打通從網(wǎng)絡(luò)設(shè)備/鏈路到系統(tǒng)與服務(wù)的關(guān)鍵指標采集、展示與告警運營。
- 基于 Prometheus、Zabbix、Grafana 等工具，設(shè)計網(wǎng)絡(luò)側(cè)與系統(tǒng)側(cè)指標體系與 Dashboard（可用性、時延/抖動/丟包、鏈路質(zhì)量、設(shè)備資源、會話/連接、接口錯誤、路由鄰居狀態(tài)等）。
- 推動“可觀測性工程化”：監(jiān)控采集配置、告警規(guī)則、Dashboard 模板化/參數(shù)化與版本化管理（Observability as Code），支撐多地域/多環(huán)境快速復(fù)用與一致性。
2）大規(guī)模日志平臺（ES/OpenSearch）建設(shè)與治理（Log Platform Engineering）
- 負責(zé)分布式日志平臺架構(gòu)設(shè)計與運維，基于 Elasticsearch / OpenSearch 建設(shè)統(tǒng)一的日志采集、索引、檢索與權(quán)限治理能力，支撐網(wǎng)絡(luò)運營分析與故障定位。
- 面向海量網(wǎng)絡(luò)與系統(tǒng)日志（設(shè)備/防火墻/VPN/認證/DNS 等），持續(xù)優(yōu)化：
- 集群容量與成本治理（資源水位、擴縮容策略、冷熱分層/生命周期管理）
- 查詢與寫入性能（索引設(shè)計、分片策略、Mapping、查詢優(yōu)化）
- 穩(wěn)定性保障（變更驗證、故障恢復(fù)、風(fēng)險控制）
- 建立日志數(shù)據(jù)治理規(guī)范：字段標準、采集規(guī)范、索引命名與生命周期策略、權(quán)限與審計策略（如適用），提升日志“可用性、可檢索性與可運營性”。
3）告警治理（Alert Quality & Alert Operations）
- 構(gòu)建可運營的告警體系：告警分級、路由、升級、靜默/抑制、去重/聚合策略，持續(xù)降低誤報與重復(fù)告警，提升告警命中率與響應(yīng)效率。
- 建立告警運營機制：告警質(zhì)量度量、原因分類與趨勢分析，推動從“被動響應(yīng)”到“體系化治理”。
- 參與/主導(dǎo)重大事件響應(yīng)（Incident Response），推動 RCA/Postmortem 復(fù)盤與行動項閉環(huán)，減少重復(fù)性故障，提升系統(tǒng)性可靠性。
4）可靠性工程與變更治理（SRE/NRE Practices）
- 建立并推動穩(wěn)定性目標與度量（如 SLI/SLO、MTTR、告警有效性、變更失敗率、平臺可用性等），形成穩(wěn)定性治理閉環(huán)。
- 推動變更風(fēng)險控制：關(guān)鍵變更可追溯、可審計、可回滾；變更前驗證、變更后核驗與回歸；減少人為失誤造成的事故。
5）工程化交付（IaC / GitOps / CI/CD）
- 推動網(wǎng)絡(luò)與平臺相關(guān)配置、可觀測性配置（采集/告警/看板）與關(guān)鍵基礎(chǔ)設(shè)施能力“代碼化、版本化、可審計、可回滾”（IaC/GitOps 思維）。
- 與 CI/CD 或作業(yè)編排平臺結(jié)合，將配置變更納入流水線：Lint/校驗、Review、審批、灰度、回滾、驗證等質(zhì)量門禁。
- 建設(shè)可復(fù)用工程資產(chǎn)：腳本庫、Ansible Role、Terraform Module、標準模板與最佳實踐，提升交付效率與一致性。
任職要求1）企業(yè)網(wǎng)絡(luò)運維與排障能力（核心）
- 具備企業(yè)網(wǎng)絡(luò)/基礎(chǔ)設(shè)施運維經(jīng)驗，理解常見企業(yè)網(wǎng)絡(luò)架構(gòu)與運營方式（園區(qū)網(wǎng)/數(shù)據(jù)中心網(wǎng)絡(luò)/WAN/分支互聯(lián)/多地域網(wǎng)絡(luò)等）。
- 扎實掌握 TCP/IP、路由與交換基礎(chǔ)，具備系統(tǒng)化排障能力；理解常見網(wǎng)絡(luò)機制與協(xié)議（VLAN、OSPF/BGP（任一）、NAT、ACL、鏈路冗余、QoS 等）。
- 熟悉企業(yè)網(wǎng)絡(luò)安全與邊界基礎(chǔ)：防火墻策略、VPN（IPSec/SSL 任一）、訪問控制與審計意識；具備跨團隊協(xié)作定位能力。
- 有主流網(wǎng)絡(luò)設(shè)備/安全設(shè)備運維經(jīng)驗者優(yōu)先（品牌不限）：Cisco/Juniper/Huawei/H3C/Arista、Fortinet/Palo Alto 等。
2）日志平臺深度能力
- 精通 Elasticsearch 或 OpenSearch：獨立部署、擴縮容、集群調(diào)優(yōu)、索引與生命周期管理、穩(wěn)定性保障能力扎實。
- 能解決大規(guī)模分布式場景性能問題：寫入吞吐、查詢延遲、分片策略、Mapping、資源水位與熱點、集群不穩(wěn)定等。
- 熟悉網(wǎng)絡(luò)運營常見日志鏈路者優(yōu)先：Syslog、設(shè)備日志/防火墻日志/VPN/認證日志/DNS 日志等（不要求全會）。
3）監(jiān)控與告警體系能力（Observability & Alerting）
- 熟練使用 Prometheus/Grafana/Zabbix 等監(jiān)控體系，能夠設(shè)計指標體系、Dashboard 與告警策略，支撐復(fù)雜企業(yè)網(wǎng)絡(luò)環(huán)境的監(jiān)測與運營。
- 具備告警治理實戰(zhàn)經(jīng)驗：分級/路由/升級/抑制/靜默/聚合/去重；能夠通過數(shù)據(jù)分析持續(xù)提升告警質(zhì)量與響應(yīng)效率。
4）自動化與工程能力
- 精通 Ansible 配置管理；熟練使用 Python 或 Shell 編寫高質(zhì)量自動化腳本（結(jié)構(gòu)化、可維護、冪等、日志與異常處理完善）。
- 具備將運維工作工程化/產(chǎn)品化的能力：可復(fù)用模塊、規(guī)范化輸出、版本管理與文檔沉淀；有平臺化交付經(jīng)驗者優(yōu)先。
5）IaC / GitOps / CI/CD（思維必備，工具優(yōu)先）
- 具備 IaC / GitOps 思維：配置/規(guī)則/基礎(chǔ)設(shè)施版本化、PR/Review、變更審計、可回滾與可追溯。
- 熟悉 Terraform 者優(yōu)先：可編寫復(fù)用模塊，理解狀態(tài)管理與變更風(fēng)險控制。
- 熟悉 CI/CD（GitLab CI/Jenkins/Argo 等同類）者優(yōu)先：能將運維交付納入流水線與質(zhì)量門禁。
6）綜合素質(zhì)
- 強責(zé)任心、主動性與結(jié)果導(dǎo)向；能在復(fù)雜跨域問題中獨立推進閉環(huán)；溝通協(xié)作能力強，能推動標準與治理落地。
SLA要求
- 告警治理：持續(xù)降低誤報與重復(fù)告警，提升告警命中率與響應(yīng)效率，提升跨團隊事件協(xié)同與處置效率。
- 故障定位效率：通過“指標 + 日志”的聯(lián)合分析縮短定位鏈路與 MTTR，提升重大事件處置質(zhì)量與復(fù)盤閉環(huán)落地率。
- 日志平臺價值交付：提升日志可用性與可檢索性（字段規(guī)范、索引策略、生命周期治理），優(yōu)化查詢性能與穩(wěn)定性，支撐網(wǎng)絡(luò)運營分析與 RCA（可追溯、可復(fù)盤）。
- 工程化交付：關(guān)鍵配置與可觀測性資產(chǎn)實現(xiàn)版本化與審計閉環(huán)，降低變更失敗率與人為誤操作風(fēng)險，提升交付一致性與可回滾能力。