Чем предстоит заниматься:
– Проектировать, разрабатывать, внедрять и поддерживать SLO/SLI для всех сервисов;
– Участвовать в устранении инцидентов - в связке со смежными командами устранять сбои и предотвращать их повторение;
– Участвовать в заполнении и разборе постмортемов;
– Расследовать причины инцидентов (RCA);
– Разрабатывать и выполнять меры, направленные на предотвращение повторных инцидентов;
– Развивать мониторинг и алертинг - разработка, обогащение, настройка метрик, логов, трейсов, алертов, дашбордов, ранбуков (и их регулярный анализ/рефакторинг);
– Автоматизировать рутинную работу;
– Ревьюить и помогать дорабатывать DRP, участвовать в качестве координатора в DRT, поддерживать DRP в актуальном состоянии;
– участвовать в разработке и оптимизации процессов, используемых в работе
– Встраивать в процессы практики: observability by default, alerting as code, runbooks, SLO/SLA/SLI
– Помогать командам строить отказоустойчивые сервисы: autoscaling, failover, chaos engineering
– Обеспечивать внутреннюю экспертизу по стабильности, метрикам, инцидентам и error budgets
Что мы ждем от кандидата:
– Экспертиза и практический опыт в SRE-практиках: глубокое понимание SLO/SLI, error budget, toil reduction, automation first... И умение применять это практически для обеспечения надежности сервисов;
– Умение проводить code review для оценки готовности к выходу в production новых функций и сервисов с точки зрения надёжности, наблюдаемости и эффективности, понимание, как изменения в коде влияют на смежные системы и общую стабильность платформы;
– Понимание, что такое load balancing, circuit breakers, disaster recovery, MTTR, RTO, и т.п.;
– Экспертные знания в эксплуатации Linux, включая диагностику на уровне ядра (процессы, память, сеть);
– Опыт работы с Kubernetes и понимание его internal'ов для диагностики сложных проблем;
– Понимание, как работают сети и умение диагностировать проблемы в их работе;
– Практический опыт IaаC (Terraform/Ansible) и понимание принципов;
– Практический опыт построения CI/CD (Gitlab CI, Argo CD);
– Умение писать автоматизацию и скрипты на Python/Go;
– Опыт работы с системами мониторинга и логирования (Prometheus, Grafana, Loki, Tempo, ELK);
– Практический опыт в SRE роли.
Будет плюсом, если вы:
– Знаете, как сделать отказоустойчивый масштабируемый сервис;
– Имеете опыт написания и ревью технической документации;
– Имеете опыт коммуникации с разработчиками и бизнесом (объяснение trade-offs между reliability и feature dev);
– Обладаете системным мышлением и умением анализировать сложные сценарии отказа, выявлять корневые причины, находить способы их устранения;
– Имеете практический опыт построения и внедрения quality gates в CI/CD процесс для управления рисками при развертывании: для предотвращения попадания нестабильных изменений в production;
– Знаете, как определять SLI для сервиса, у которого нет исторических данных о надежности;
– Знаете, как рассчитать композитные SLO для сервиса, зависящего от 10+ микросервисов;
– Имеете опыт внедрения observability-as-code и alerting-as-code.