工作职责 1、系统可靠性保障：主导Hadoop/YARN、Spark、Flink、Kafka、DolphinScheduler等大数据组件的高可用架构设计、部署、调优和监控与故障应急响应； 2、可观测性体系：设计并落地统一监控告警平台（Prometheus/Grafana + 自定义指标），覆盖从主机到作业粒度的全栈监控； 建设日志分析系统（ELK/Splunk），实现快速故障定位与根因分析，开发智能告警降噪与自愈脚本； 3、自动化与DevOps：开发自动化运维工具（Python/Go/Java），覆盖部署、扩缩容、配置管理、日志收集等场景，构建CI/CD流水线，实现大数据组件无人值守发布与灰度升级，维护Infrastructure as Code（Terraform/Ansible）及配置中心化管理。

任职要求 1、3年以上集群运维/SRE经验； 2、精通以下至少3项： 分布式系统原理：HDFS/YARN/Spark/Flink/Kafka/DolphinScheduler工作原理及调优； 运维技术栈：Linux内核调优、网络（TCP/IP）、容器化（Docker/K8s）； 自动化开发：Python/Go/Shell脚本开发能力； 可观测工具：Prometheus/Grafana/ELK/OpenTelemetry； 3、熟悉云原生大数据服务者优先； 4、主导过100+节点集群的稳定性治理经历优先