数据闭环SRE

1、闭环平台稳定性保障：负责数据闭环链路中关键系统（数据采集、数据挖掘、标注平台、数据平台、仿真评测等）的稳定性建设与日常运维，围绕可用性/时延/吞吐制定并落地 SLO； 2、可观测性与故障应急：建设指标、日志、链路追踪一体的可观测体系（Prometheus/Grafana/ELK/Tracing 等），制定告警策略与应急预案，参与 7x24 on-call，快速响应与恢复 P0/P1 级事故，并推动复盘与问题闭环； 3、容量规划与性能优化：基于业务增长和历史数据进行容量规划与容量压测，持续优化服务架构、资源配额与调度策略，提升集群利用率，降低训练/仿真任务排队与中断； 4、自动化运维与平台化：使用 Python/Go/Shell 等开发自动化运维工具与平台，建设自动化发布、灰度/回滚、自动巡检、自愈修复、任务编排等能力，减少人工操作与线上变更风险； 5、云原生与基础设施协同：在 Kubernetes 等云原生平台上构建和运维闭环相关服务，协同基础设施/大数据/算法团队，打通存储、计算、消息中间件等底层能力，支撑大规模训练与数据处理场景； 6、安全合规与风险控制：建设访问控制、权限隔离、审计日志等安全机制，在数据闭环关键环节落地安全策略与变更规范，满足车规级安全与合规要求。