является членом команды Platform SRE — группы, ответственной за эксплуатационную готовность, отказоустойчивость и модернизацию нашей инфраструктуры хостинга и облака. Эта роль находится на стыке системной инженерии, инженерии надежности сайтов (SRE) и автоматизации: сочетая практическое устранение технического долга с крупномасштабной автоматизацией и практиками повышения надежности.
Команда Platform SRE имеет три основных мандата:
- Сокращение технического долга: систематическое выявление и устранение устаревшей прошивки, ядер, операционных систем и программного обеспечения в парке управляемого хостинга и средах управляемых приложений.
- Автоматизация критически важных операционных рабочих процессов: процессы подготовки, установки исправлений, устранения неполадок и выпуска как для управляемых приложений, так и для управляемых хостинговых платформ, с автоматизированным планированием и выполнением выпусков под наблюдением человека (не «автоматизация ради автоматизации», а автоматизация с проверкой человеком перед влиянием на продуктивную среду).
- Надежность и поддержка инцидентов: определение, инструментирование и отслеживание SLI/SLO для инжиниринга платформы и операций, визуализированное с помощью панелей мониторинга и инструментов отчетности, а также обеспечение быстрой, экспертной первичной реакции и устранения неполадок во время событий, влияющих на обслуживание (управление инцидентами и владение процессом осуществляется командой управления инцидентами; эта команда является техническим исполнителем, а не владельцем инцидента).
Эта должность служит старшей технической точкой контакта для инжиниринга платформы, продвигая инициативы по масштабируемости, отказоустойчивости, автоматизации и операционному совершенству производственной инфраструктуры.
Основные обязанности
Технический долг и модернизация платформы
- Владеть жизненным циклом прошивки, ядра, ОС и обновлений программного обеспечения в парке управляемого хостинга и средах управляемых приложений
- Создать постоянный реестр и модель риска технического долга (операционные системы с истекшим сроком поддержки, непропатченная прошивка, устаревшее программное обеспечение) и разрабатывать приоритетные планы по его устранению
- Оценивать и внедрять инициативы по модернизации инфраструктуры, заменяя ручные или устаревшие процессы поддерживаемыми, автоматизированными альтернативами
Автоматизация и инжиниринг выпусков
- Разрабатывать и создавать автоматизацию для подготовки, развертывания, установки исправлений, устранения неполадок и управления конфигурацией в управляемых приложениях и на управляемых хостинговых платформах
- Владеть дизайном конвейеров автоматизированных выпусков: планирование, тестирование и выполнение выпусков с определенными этапами утверждения человеком
- Разрабатывать возможности самовосстановления и автоматического устранения неполадок для распространенных сценариев сбоев, чтобы уменьшить нагрузку на ручные операции
- Поддерживать и расширять рабочие процессы CI/CD и практики Infrastructure-as-Code на платформе
Инжиниринг надежности, SLI/SLO и наблюдаемость
- Определять SLI и SLO для инжиниринга платформы и операций в партнерстве с инжиниринговыми и продуктовыми стейкхолдерами
- Инструментировать системы для точного измерения SLI и встраивать отслеживание SLO в стандартную отчетность
- Создавать и поддерживать панели мониторинга (например, Grafana, Datadog или эквивалентные инструменты визуализации) для отображения производительности SLI/SLO, бюджетов ошибок и состояния платформы для инжиниринга и руководства
- Постоянно улучшать наблюдаемость платформы: мониторинг, оповещения, логирование и трассировка в распределенных и контейнеризованных средах
Реагирование на инциденты и их устранение (вспомогательная роль)
- Выступать в качестве первичного технического исполнителя: быстро реагировать на оповещения, диагностировать и устранять проблемы на уровне платформы
- Сотрудничать с командой управления инцидентами, которая отвечает за управление инцидентами, классификацию серьезности и коммуникацию с клиентами: эта роль предоставляет технические ресурсы и экспертизу, а не владение инцидентом
- Предоставлять технические выводы для анализа первопричин (RCA) без обвинений и отвечать за выполнение корректирующих действий для систем платформы
- Вести документацию по операциям (runbooks) и готовность к дежурствам для систем платформы и инфраструктуры
- Отслеживать тенденции инцидентов в системах платформы и использовать их для разработки дорожной карты технического долга и автоматизации
Сотрудничество и техническое лидерство
- Сотрудничать с командами разработки программного обеспечения по архитектуре платформы, обзорам готовности к эксплуатации и инициативам по масштабируемости
- Поддерживать требования к безопасности платформы, соответствию требованиям и операционному управлению
- Наставлять инженеров и вносить вклад в техническое лидерство и обмен знаниями в команде
- Поддерживать четкую операционную документацию и вносить вклад в стандарты команды и улучшение процессов
- Другие обязанности по мере необходимости
Требования
- Опыт работы 3–5+ лет в области инжиниринга платформы, системной инженерии, SRE или эксплуатации инфраструктуры (уровень зависит от опыта и объема работы)
- Продвинутое администрирование систем Linux и опыт устранения неисправностей, включая знакомство с уровнем ядра и прошивки
- Обширный опыт работы с Kubernetes, Docker и оркестрацией контейнеров/распределенными системами
- Практический опыт автоматизации и Infrastructure-as-Code (например, Terraform, Ansible, Puppet/Chef или эквивалент)
- Опыт создания или поддержки конвейеров CI/CD и автоматизированных конвейеров выпуска/развертывания
- Опыт определения и отслеживания SLI/SLO, а также работы с инструментами наблюдаемости/визуализации (например, Grafana, Datadog, Prometheus или эквивалент)
- Опыт поддержки производственных сред корпоративного масштаба, с высокой параллельностью или влиянием на клиентов
- Подтвержденный опыт работы в качестве технического исполнителя при инцидентах в производственной среде, включая анализ первопричин и последующие корректирующие действия
- Сильные навыки написания сценариев (например, Python, Bash, Go) для автоматизации и создания инструментов
- Сильные навыки устранения неисправностей в вычислительном, сетевом, хранилище и прикладном уровнях
- Опыт поддержки облачной, управляемой хостинговой или гибридной инфраструктуры
- Способность руководить техническими инициативами, наставлять других и четко общаться между командами
Предпочтительные квалификации
- Опыт управления программами патчинга прошивки/ОС для всего парка в масштабе
- Опыт проектирования автоматизации выпусков с участием человека или систем прогрессивной доставки (canary, blue/green)
- Знакомство с бюджетами ошибок и фреймворками приоритизации на основе SLO
- Опыт управления конфигурацией/патчами в масштабе для разнородных парков оборудования
О Nexcess
Nexcess предоставляет специализированные облачные решения для организаций, где производительность и соответствие требованиям должны сосуществовать. Мы обслуживаем предприятия по всему миру, от агентств, масштабирующих клиентские сайты, до корпораций, выполняющих критически важные операции. Мы построили свою репутацию на глубокой технической экспертизе и искреннем партнерстве с каждым клиентом, с которым работаем. За каждой управляемой нами средой стоит команда людей, которые серьезно относятся к своему делу и продолжают проявлять себя, когда это важно.
