陈启铭 · C&C++

• 主导 AI 推理服务平台核心模块 C++17 重构，设计计算图编译期多级优化与算子融合策略，结合 TensorRT 与手写 CUDA Kernel，将主流模型端到端推理延迟降低 40%，平稳支撑日均超百亿级请求。

• 搭建基于 gRPC 异步流式调用的分布式调度层，实现跨节点模型副本的智能路由与弹性扩缩，消除热点与长尾，推动集群整体吞吐量较重构前提升 2.5 倍。

• 构建 Python 驱动的自动化性能回归与模型交付流水线，集成量化校准、精度对比与压测，将新模型从调试到生产上线的周期由数周压缩至半天。

• 设计大页内存池与请求动态批处理机制，结合显存-主机内存零拷贝路径，单卡 GPU 显存占用降低约 30%，在同等硬件下支撑更高并发与更大模型实例。

• 推动推理服务可观测性体系建设，搭建基于 Prometheus 的分级指标与分布式追踪体系，精准定位并修复 10 余个系统级性能瓶颈，保障 99.9% 服务可用性。

• 针对异构设备（CPU/GPU/NPU）编程模型碎片化问题，主导设计并落地统一资源抽象框架，采用 C++14/17 结合 CUDA 驱动封装，将设备内存、计算队列与算子调用标准化为设备无关的图描述，使业务接入新硬件周期从天级缩短至小时级。

• 为支撑大规模混部调度，构建基于异步消息队列的分布式协同通道，结合 Linux 内核参数调优（巨页、SO_REUSEPORT、CPU 隔离）与零拷贝通信，将任务分发与节点间协调时延控制在亚毫秒内。

• 自研 GPU 显存与流管理器，实现多级缓存、分块预取与复用策略，消除频繁分配与碎片化瓶颈，使得典型在线/离线混合负载下 GPU 核心利用率从不足 45% 提升至 70% 以上。

• 引入多维度资源画像与动态负载感知，通过内核 cgroup/NUMA 绑核强制隔离关键路径，结合优先级抢占与碎片在线整理，最终推动集群整体资源利用率提升 35%（从 40% → 54%），并保证高优任务 P99 时延稳定。

• 诊断订单履约链路串行阻塞点，重构状态机并引入 C++11 线程池与无锁队列，将核心路径处理时延从 >2s 降至 50ms 以内，支撑大促峰值平稳。

• 设计基于 Kafka 的实时事件管道，解耦订单、库存与通知模块，实现消息异步投递与多消费者协同，日均处理数十亿消息且端到端延迟 <100ms。

• 利用 Redis 构建库存热点缓存与分布式锁，结合 Pipeline 批量操作，将库存扣减 QPS 上限从 3 万提升至 12 万以上，保障抢购场景数据强一致。

• 针对 Linux 环境进行深度性能调优，通过 perf/eBPF 定位 STL 容器与内存分配瓶颈，优化数据局部性，整体 CPU 占用降低约 35%。

• 主导模块多线程模型改造，规避锁竞争与伪共享，使系统吞吐量提升 4 倍，P99 延迟波动控制在 ±5% 以内，并沉淀为团队编码规范。

• 主导 IMS 核心网元 SIP 协议栈重构，采用 C++11 与多线程模型重写事务管理层，将单板呼叫处理能力从 800 CAPS 提升至 5000 CAPS 以上，满足运营商现网高并发要求。

• 设计并实现基于对象池与零拷贝的内存管理策略，消除 SIP 消息频繁解析引发的内存碎片与分配开销，将控制面单条消息处理时延控制在 200 微秒以内。

• 负责核心网元主备容灾倒换模块开发，通过会话状态实时同步与异常检测机制，实现主备切换时零呼叫中断，连续通过现网 72 小时严苛拷机与故障注入测试。

• 深入解决现网偶发信令风暴场景下的对话状态机死锁缺陷，引入超时仲裁与状态回滚机制，将系统长时间运行可用性从 99.9% 提升至 99.999%。

• 为满足运营商现网协议一致性测试，开发可扩展 SIP 头域解析引擎与合规校验框架，覆盖 200+ 测试用例，一次性通过中国电信现网入网认证测试。

• 针对订单匹配模块在集中撮合时产生的时延尖刺，重构核心订单簿数据结构，采用红黑树与哈希表混合索引替代原有线性扫描，将平均匹配耗时从 120μs 压缩至 35μs，保障单日千万级交易平稳处理。

• 基于 Linux 实时调度与 CPU 亲和性绑定，设计多生产者单消费者无锁订单队列，消除高并发下锁竞争导致的尾延迟抖动，将匹配链路 P99 延迟从 800μs 降至 180μs 以内。

• 为交易引擎搭建订单回放与微基准测试框架，利用 C++ 模板和策略模式实现多市场规则快速切换，将新策略的验证上线周期从 2 天缩短至 4 小时。

• 自研内存管理组件，引入对象池与预分配机制消除高频路径上的动态分配，降低 L3 cache miss 率并减少内存碎片，推动整体吞吐量提升 15%。

• 针对 AI 平台推理任务在多 GPU/NPU 间手动分区效率低下的痛点，从零设计异构任务调度器，基于 C++17 与 CUDA 抽象统一资源池，对接 TensorFlow Serving 并实现算子级自动并行编排，消除硬件差异带来的部署瓶颈。

• 主导调度算法设计，构建代价模型驱动的图分割策略，结合计算-通信开销估算和拓扑感知，将模型自动拆解为最优并行子图并动态分发至不同加速器，彻底摆脱人工负载评估，部署流程从“多天专家调参”压缩为“一键提交数小时内完成”。

• 落地后典型千亿参数模型部署效率提升约 3.2 倍（上线耗时从 8.3 小时降至 2.5 小时），同时在线推理性能波动显著收窄，保障生产级 SLA 并有效控制硬件碎片化损耗。

• 作为技术负责人带领 3 人小组制定调度器演进路线，沉淀可复用算子库与自适应策略框架，支撑平台快速纳管多代次加速芯片，使模型上线新硬件的适配人力降低 70% 以上。

• 针对流计算拓扑中算子频繁创建临时对象与虚函数调用开销，基于 C++11 移动语义与模板特化重构算子执行链，消除堆分配与动态派发，核心算子吞吐量提升至原来的 3.2 倍，CPU 占有率下降约 30%。

• 主导状态后端由纯内存存储迁移至 RocksDB，设计分级冷热数据缓存及增量 Checkpoint 机制，在保障 Exactly-Once 语义的前提下将可用状态空间扩展至 TB 级，故障恢复时间从分钟级压缩至 20 秒内。

• 重新设计 Kafka 多源流接入模块，采用分区绑定与无锁队列实现多线程并行消费，结合水位线对齐消除数据倾斜，支撑双 11 峰值百万条/秒消息处理，全链路端到端延迟稳定在 50ms 以下。

• 实现一套基于滑动窗口的增量聚合与可容错去重算子，利用 C++11 chrono 与定长环形缓冲区精准控制窗口推进，使大促实时看板中数百项业务指标的更新延迟低于 1 秒，全程零数据丢失。

• 构建算子级背压控制与资源隔离策略，通过异步状态写入流水线和 Kafka 消费限流动态匹配下游处理能力，避免大促流量冲击下的 OOM 与消息积压，集群吞吐抖动从 ±40% 收窄至 ±5%。

• 针对原网关单机仅承载数千连接且频繁 OOM 的问题，主导设计基于 epoll + 非阻塞 I/O 的单线程事件驱动架构，用 C++11 实现异步 TCP/UDP 通信层，单机稳定支撑 10 万+ 同时在线长连接，连接建立耗时下降 60%。

• 自研轻量级二进制应用层协议，引入零拷贝与对象池机制，替代 JSON 文本协议，单消息平均处理延迟从 2.1ms 压缩至 180μs，千兆网卡带宽利用率提升至 92%。

• 设计多级时间轮定时器与心跳状态机，结合平滑断线重连策略，将网络抖动场景下的会话假死率控制在 0.02% 以下，系统平均无故障运行时间提升至 99.99%。

• 构建链路级监控与异步日志子系统，以无损采样方式采集每连接收发队列深度、系统调用耗时等指标，使毛刺定位耗时从天级缩短至分钟级，全年零 P0 事故。

主导AI推理框架优化，使服务成本降低30%，获公司级技术突破个人奖。

向开源分布式项目提交核心PR，被社区评选为年度活跃贡献者。

因实时流处理引擎性能优化成绩显著，获事业部年度优秀工程师称号。