Старший инженер по обеспечению надёжности сайта
Компания
Toters — это платформа электронной коммерции и доставки по требованию, предоставляющая услуги, которые позволяют клиентам получать все необходимое в своем городе с максимальным удобством.
В Toters технологии лежат в основе всего, что мы делаем. У нас есть продуктовые команды, которые ежедневно работают над созданием продуктов, облегчающих жизнь нашим клиентам. Наши инженеры также постоянно создают решения для повышения эффективности наших процессов, стремясь доставлять заказы нашим клиентам быстро и по лучшей цене. Если вы заинтересованы в работе в быстрорастущей стартап-среде и хотите стать частью команды, которая потенциально изменит способ покупок на Ближнем Востоке, подайте заявку сейчас.
О роли
Мы ищем старшего инженера по обеспечению надёжности сайта (Sr. Site Reliability Engineer), который будет играть ключевую роль в обеспечении высокой доступности, производительности и отказоустойчивости наших производственных систем. Вы будете в центре операционного совершенства, возглавляя реагирование на инциденты с высоким воздействием, создавая проактивные системы мониторинга и разрабатывая автоматизацию, которая предотвращает сбои до их возникновения. Если вы любите решать сложные задачи распределенных систем и преуспеваете в условиях высокого давления, эта роль для вас.
Ключевые обязанности
Управление инцидентами и надежность
- Выступать в роли руководителя инцидентов (Incident Commander) во время крупных сбоев, руководя диагностикой в реальном времени, коммуникацией и восстановлением.
- Владеть и улучшать жизненный цикл управления инцидентами от начала до конца, включая анализ инцидентов и планы действий после них.
- Проводить анализ первопричин (root cause analysis) и проактивные улучшения надежности для предотвращения повторных случаев.
Мониторинг и наблюдаемость
- Проектировать и поддерживать метрики, оповещения и дашборды с использованием Prometheus, Grafana и New Relic.
- Внедрять SLI/SLO для мониторинга состояния сервиса и достижения целей по доступности (99,99%+ аптайма).
- Интегрировать управление журналами (log management) и распределённую трассировку (distributed tracing) с такими инструментами, как ELK Stack и AWS X-Ray.
Автоматизация и инструментарий
- Разрабатывать скрипты автоматизации и внутренний инструментарий на Python или Node.js для сокращения ручных операций и ускорения восстановления (улучшение MTTR).
- Создавать самовосстанавливающуюся инфраструктуру с использованием IaC и конвейеров автоматизации (automation pipelines).
- Оптимизировать рабочие процессы дежурств, политики эскалации и руководства по эксплуатации (runbooks) с помощью PagerDuty.
Облачная инфраструктура
- Эксплуатировать и улучшать инфраструктуру, размещенную в AWS, обеспечивая надёжность, экономическую эффективность и масштабируемость.
- Сотрудничать с командами бэкенда и платформы для внедрения лучших практик SRE во всей разработке.
Ключевые квалификации
- Опыт работы более 4 лет в Site Reliability Engineering, DevOps или Platform Engineering.
- Подтверждённый опыт управления производственными инцидентами и участия в дежурствах (on-call rotations).
- Глубокий практический опыт работы с Prometheus, Grafana и PagerDuty.
- Владение Python или Node.js для автоматизации и создания инструментов.
- Опыт работы с сервисами AWS (EC2, CloudWatch, ECS/Lambda, IAM и т.д.).
- Твёрдое понимание Linux систем, сетевых технологий и CI/CD конвейеров.
Желательно
- Опыт работы в качестве руководителя инцидентов (Incident Commander) в критически важных средах.
- Знание New Relic, Sentry, ELK Stack или Datadog.
- Опыт внедрения SLI/SLO/Error Budgets (модель Google SRE).
- Знакомство с Docker, Kubernetes, Terraform или Ansible.
- Сертификаты, такие как:
- AWS Solutions Architect Associate/DevOps Engineer
- ITIL Foundation или соответствующие сертификаты по надёжности.
Местоположение
Метн, Метн
Отдел
Basecamp - Engineering
Тип занятости
Полная занятость
Минимальный опыт
Старший специалист
