Ведущий инженер доступности в MAX

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.

Мы предлагаем:
- Гибкий график работы.
- Бонусы и скидки от партнеров.
- Офис в центре города.
- ДМС.
- Профессиональная команда.