Senior Site Reliability Engineer
Описание
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