На этой позиции тебе предстоит:
- 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;
Что мы ждем от кандидата:
- 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);
- Понимание, что такое SLO и SLI и умение применять их на практике;
- Уверенный опыт в SRE/Platform/DevOps роли.
Будет плюсом, если вы:
- Имеете практический опыт работы SRE;
- Знаете, как сделать отказоустойчивый масштабируемый сервис;
- Имеете опыт написания и ревью технической документации;
- Обладаете системным мышлением и умением анализировать сложные сценарии отказа, выявлять корневые причины, находить способы их устранения.