Sr Staff Site Reliability Engineer

О позиции

Вы присоединяетесь к одной из быстрорастущих частных компаний, создающей инфраструктуру телеметрии для эпохи искусственного интеллекта. Компания работает с крупнейшими предприятиями мира, включая половину Fortune 100, помогая им управлять и анализировать данные наблюдения как для людей, так и для агентов. В Cribl вы сможете участвовать в разработке продуктов нового поколения, которые дают клиентам полный контроль над данными наблюдательности.

Чем заниматься

• Обеспечивать обслуживание и надёжность систем на протяжении всего их жизненного цикла
• Мониторить все производственные системы с фокусом на доступность, задержки и общее состояние системы
• Искать причины ошибок и нестабильности в производственных облачных сервисах и способствовать операционному совершенству
• Работать с продуктовыми и платформенными командами для улучшения надёжности, отказоустойчивости и наблюдаемости систем
• Снижать рутинную работу через автоматизацию и инновации
• Участвовать в работе в режиме дежурств и внеурочных заданий при необходимости

Что ждут

• Опыт проектирования, внедрения и эксплуатации систем наблюдательности для сложных облачных платформ
• Глубокое понимание лучших практик и опыт их реализации
• Знание инструментов управления конфигурациями и Infrastructure as Code (Terraform или Ansible)
• Опыт работы с облачными SDK
• Знание облачных платформ (AWS и Azure предпочтительно)
• Опыт работы с контейнеризацией и оркестрацией
• Знание APM и инструментов наблюдательности (New Relic, Splunk, CloudWatch, Prometheus, Grafana/Kibana, Sentry и др.)
• Опыт работы в корпоративных средах непрерывной доставки
• Навыки разработки на JavaScript/Node.js/TypeScript в среде Linux/Mac
• Опыт работы с Linux Systems Engineering
• Понимание лучших практик безопасности облаков и приложений
• Знание паттернов проектирования облаков для масштабирования, управления данными, отказоустойчивости

Будет плюсом

• Опыт работы с инструментами реагирования на инциденты (PagerDuty, FireHydrant, Blameless)
• Опыт устойчивого реагирования на инциденты в культуре без обвинений
• Бизнес-метрики и знание SLO
• Наличие сильных мнений о том, как улучшить процессы, и умение формировать консенсус вокруг идей
• Умение работать с высокой автономностью в распределённой команде

Условия

• Возможность работать в быстрорастущей частной компании на передовых технологиях
• Участие в создании программного обеспечения нового поколения
• Дистанционный формат работы
• Культура, где ценятся различия и разнообразие
• Командная работа с талантливыми техническими инженерами
• Возможность быстрого профессионального роста
• Продукты, используемые крупнейшими компаниями мира

Навыки

• Site Reliability Engineering
• Observability
• Terraform
• Ansible
• Cloud Computing
• AWS
• Azure
• Docker
• Kubernetes
• New Relic
• Splunk
• Prometheus
• Grafana
• JavaScript
• Node.js
• TypeScript
• Linux
• Incident Management
• CI/CD
• Infrastructure as Code
• System Design
• High Availability
• Scalability

Могут спросить на собеседовании

1. Как вы обеспечиваете высокую доступность критически важных облачных сервисов?
2. Расскажите о вашем опыте работы с системами мониторинга и observability. Какие инструменты вы использовали и почему?
3. Опишите ситуацию, когда вам пришлось расследовать和生产ный инцидент. Как вы подошли к его разрешению?
4. Какие подходы вы применяете для снижения toil и автоматизации операционных задач?
5. Как вы выстраиваете взаимодействие между командой разработки и командой эксплуатации для улучшения reliability?