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 практический опыт работы с Kubernetes на уровне эксплуатации (деплой, конфигурации, диагностика проблем приложений/окружения)
• Infrastructure as Code: Terraform (или аналог) + Ansible; Git-workflow, code review, версионирование инфраструктуры
• CI/CD и управление изменениями: безопасные релизы (canary/blue-green), rollback стратегии, снижение рисков изменений
• Код и автоматизация: чтение чужого кода (Go/Java/Python) для диагностики; написание автоматизации (Python/Go/Bash), создание утилит/джоб для эксплуатации
• Observability: Prometheus/Alertmanager, Grafana, централизованные логи (Graylog/ELK) - дашборды под эксплуатацию, алерты с учётом снижения шума и приоритизации
• SRE-практики: SLI/SLO, error budget, incident response, postmortem без поиска виноватых
• Готовность к on-call и участие в разборе и устранении инцидентов
• Навыки создания и поддержки эксплуатационной документации: runbooks/playbooks, инструкции по деплою/роллбэку, схемы архитектуры, описания SLO/алертов; умение писать кратко и так, чтобы документ работал в инциденте

Будет плюсом

• Опыт с БД/кешами/очередями: PostgreSQL/Redis/Cassandra/Kafka/ClickHouse и так далее
• Сопровождение Java: JVM/GC, heap/thread dumps, профилирование, диагностика latency
• Security basics: secrets management, least privilege