Senior Site Reliability Engineer

Задачи

• Развивать и сопровождать инфраструктуру highload-системы, повышать надёжность, доступность и производительность

• Внедрять и поддерживать SLO/SLI и практики error budget, выстраивать алертинг на основе пользовательских метрик и приоритизации

• Развивать observability (Prometheus/Alertmanager, Grafana, централизованные логи): делать эксплуатационные дашборды, настраивать алерты, снижать alert noise, улучшать MTTD/MTTR

• Автоматизировать рутинные операции и эксплуатационные процессы, снижать toil, развивать self-service подходы для команд разработки

• Участвовать в on-call , оперативно реагировать и устранять инциденты, координировать восстановление, проводить postmortem и доводить улучшения до продакшена

• Взаимодействовать с командами разработки и смежными инфраструктурными командами: участвовать в архитектурных обсуждениях, ревью изменений, согласовании требований к production readiness

• Вести и развивать эксплуатационную документацию : писать и актуализировать runbooks/playbooks для типовых инцидентов и деградаций, инструкции по релизам/роллбэкам и аварийным процедурам (в том числе DR), документировать дашборды/алерты и схемы зависимостей/эскалаций

Требования

• Опыт 5+ лет в SRE/DevOps/Platform/System Engineering, опыт эксплуатации highload -систем

• Глубокие знания Linux : администрирование, диагностика производительности (CPU/mem/io), анализ деградаций, systemd, файловые системы, лимиты/квоты, troubleshooting на production

• Сетевые основы для диагностики : TCP/IP, DNS, HTTP/HTTPS, TLS, L4/L7 балансировка, keepalive; умение находить и устранять сетевые причины деградаций

• Опыт эксплуатации распределённых систем : понимание partial failures, timeouts/retries, backpressure, graceful degradation

• Облака: опыт эксплуатации инфраструктуры в публичном облаке — сети и балансировщики, autoscaling, IAM/роль‐модель; построение отказоустойчивости по зонам/регионам, базовые DR-подходы

• Контейнеры и Kubernetes: понимание контейнеризации и…