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.