企业网络 SRE（现场面试）

面向企业级全球网络基础设施环境，负责可观测性平台（Monitoring / Alerting / Logging）的工程化建设与运营，聚焦稳定性与可运营性目标，通过告警治理、日志平台能力建设、可靠性工程（SRE/NRE）与工程化交付（IaC/GitOps/CI-CD）提升故障发现与定位效率、降低告警噪声、提升变更质量与可追溯性。
岗位职责1）企业网络可观测性体系（Observability Engineering）
- 建设并维护覆盖全球节点/网络资源的生产级监控体系，打通从网络设备/链路到系统与服务的关键指标采集、展示与告警运营。
- 基于 Prometheus、Zabbix、Grafana 等工具，设计网络侧与系统侧指标体系与 Dashboard（可用性、时延/抖动/丢包、链路质量、设备资源、会话/连接、接口错误、路由邻居状态等）。
- 推动“可观测性工程化”：监控采集配置、告警规则、Dashboard 模板化/参数化与版本化管理（Observability as Code），支撑多地域/多环境快速复用与一致性。
2）大规模日志平台（ES/OpenSearch）建设与治理（Log Platform Engineering）
- 负责分布式日志平台架构设计与运维，基于 Elasticsearch / OpenSearch 建设统一的日志采集、索引、检索与权限治理能力，支撑网络运营分析与故障定位。
- 面向海量网络与系统日志（设备/防火墙/VPN/认证/DNS 等），持续优化：
- 集群容量与成本治理（资源水位、扩缩容策略、冷热分层/生命周期管理）
- 查询与写入性能（索引设计、分片策略、Mapping、查询优化）
- 稳定性保障（变更验证、故障恢复、风险控制）
- 建立日志数据治理规范：字段标准、采集规范、索引命名与生命周期策略、权限与审计策略（如适用），提升日志“可用性、可检索性与可运营性”。
3）告警治理（Alert Quality & Alert Operations）
- 构建可运营的告警体系：告警分级、路由、升级、静默/抑制、去重/聚合策略，持续降低误报与重复告警，提升告警命中率与响应效率。
- 建立告警运营机制：告警质量度量、原因分类与趋势分析，推动从“被动响应”到“体系化治理”。
- 参与/主导重大事件响应（Incident Response），推动 RCA/Postmortem 复盘与行动项闭环，减少重复性故障，提升系统性可靠性。
4）可靠性工程与变更治理（SRE/NRE Practices）
- 建立并推动稳定性目标与度量（如 SLI/SLO、MTTR、告警有效性、变更失败率、平台可用性等），形成稳定性治理闭环。
- 推动变更风险控制：关键变更可追溯、可审计、可回滚；变更前验证、变更后核验与回归；减少人为失误造成的事故。
5）工程化交付（IaC / GitOps / CI/CD）
- 推动网络与平台相关配置、可观测性配置（采集/告警/看板）与关键基础设施能力“代码化、版本化、可审计、可回滚”（IaC/GitOps 思维）。
- 与 CI/CD 或作业编排平台结合，将配置变更纳入流水线：Lint/校验、Review、审批、灰度、回滚、验证等质量门禁。
- 建设可复用工程资产：脚本库、Ansible Role、Terraform Module、标准模板与最佳实践，提升交付效率与一致性。
任职要求1）企业网络运维与排障能力（核心）
- 具备企业网络/基础设施运维经验，理解常见企业网络架构与运营方式（园区网/数据中心网络/WAN/分支互联/多地域网络等）。
- 扎实掌握 TCP/IP、路由与交换基础，具备系统化排障能力；理解常见网络机制与协议（VLAN、OSPF/BGP（任一）、NAT、ACL、链路冗余、QoS 等）。
- 熟悉企业网络安全与边界基础：防火墙策略、VPN（IPSec/SSL 任一）、访问控制与审计意识；具备跨团队协作定位能力。
- 有主流网络设备/安全设备运维经验者优先（品牌不限）：Cisco/Juniper/Huawei/H3C/Arista、Fortinet/Palo Alto 等。
2）日志平台深度能力
- 精通 Elasticsearch 或 OpenSearch：独立部署、扩缩容、集群调优、索引与生命周期管理、稳定性保障能力扎实。
- 能解决大规模分布式场景性能问题：写入吞吐、查询延迟、分片策略、Mapping、资源水位与热点、集群不稳定等。
- 熟悉网络运营常见日志链路者优先：Syslog、设备日志/防火墙日志/VPN/认证日志/DNS 日志等（不要求全会）。
3）监控与告警体系能力（Observability & Alerting）
- 熟练使用 Prometheus/Grafana/Zabbix 等监控体系，能够设计指标体系、Dashboard 与告警策略，支撑复杂企业网络环境的监测与运营。
- 具备告警治理实战经验：分级/路由/升级/抑制/静默/聚合/去重；能够通过数据分析持续提升告警质量与响应效率。
4）自动化与工程能力
- 精通 Ansible 配置管理；熟练使用 Python 或 Shell 编写高质量自动化脚本（结构化、可维护、幂等、日志与异常处理完善）。
- 具备将运维工作工程化/产品化的能力：可复用模块、规范化输出、版本管理与文档沉淀；有平台化交付经验者优先。
5）IaC / GitOps / CI/CD（思维必备，工具优先）
- 具备 IaC / GitOps 思维：配置/规则/基础设施版本化、PR/Review、变更审计、可回滚与可追溯。
- 熟悉 Terraform 者优先：可编写复用模块，理解状态管理与变更风险控制。
- 熟悉 CI/CD（GitLab CI/Jenkins/Argo 等同类）者优先：能将运维交付纳入流水线与质量门禁。
6）综合素质
- 强责任心、主动性与结果导向；能在复杂跨域问题中独立推进闭环；沟通协作能力强，能推动标准与治理落地。
SLA要求
- 告警治理：持续降低误报与重复告警，提升告警命中率与响应效率，提升跨团队事件协同与处置效率。
- 故障定位效率：通过“指标 + 日志”的联合分析缩短定位链路与 MTTR，提升重大事件处置质量与复盘闭环落地率。
- 日志平台价值交付：提升日志可用性与可检索性（字段规范、索引策略、生命周期治理），优化查询性能与稳定性，支撑网络运营分析与 RCA（可追溯、可复盘）。
- 工程化交付：关键配置与可观测性资产实现版本化与审计闭环，降低变更失败率与人为误操作风险，提升交付一致性与可回滚能力。