Эксперт по надежности (SRE)

Чем предстоит заниматься

• проектировать, строить и эксплуатировать масштабируемую и отказоустойчивую инфраструктуру на Kubernetes

• определять и отслеживать SLI/SLO/SLA, внедрять политику бюджета ошибок и регулярные ревью надежности

• развивать наблюдаемость: метрики, логи, трейсинг, алертинг (VictoriaMetrics, Grafana, OpenTelemetry и др.)

• автоматизировать операционную работу — инфраструктура как код (Terraform, Ansible), конвейеры непрерывной интеграции и доставки, самовосстанавливающиеся системы

• участвовать в реагировании на инциденты, проводить разборы после инцидентов и разрабатывать инструкции по устранению, участвовать в дежурствах

• заниматься планированием мощностей и оптимизацией производительности высоконагруженных сервисов

• совместно с продуктовыми и платформенными командами прорабатывать архитектуру, паттерны отказоустойчивости и безопасность релизов, выстраивать наблюдаемость сквозных пользовательских сценариев

• улучшать процессы деплоя: канареечные релизы, флаги функций, постепенные раскатки, chaos engineering

Наши ожидания

Обязательно:

• опыт SRE-практик на клиентских сервисах — участие в дежурствах и реагировании на инциденты на продуктивных нагрузках с прямым влиянием на пользователей, работа с SLI/SLO и бюджетом ошибок для внешних клиентов (не внутренняя инфраструктура и не инструменты поддержки для сотрудников)

• уверенное знание Linux и сетей (TCP/IP, DNS, HTTP, балансировка нагрузки)

• практический опыт с Kubernetes и контейнеризированными нагрузками

• понимание инструментов мониторинга и наблюдаемости, а также процесса управления инцидентами

• понимание распределенных систем: сценарии отказов, консистентность, компромиссы при проектировании

Будет плюсом:

• опыт работы с высоконагруженным продуктивным Java-стеком: диагностика JVM под нагрузкой, тюнинг производительности, разбор инцидентов на Java-сервисах

• понимание хотя бы одного языка программирования (Python, Go или аналоги)

• опыт с service mesh…