Senior Site Reliability Engineer — Data Platform
Nebius развивает full-stack AI-облачную платформу для разработчиков и предприятий: от данных и обучения моделей до продакшн-развёртывания. Компания построена инженерами для инженеров, решает задачи от оркестрации GPU в больших масштабах до оптимизации инференса, работает над compute, storage, networking и прикладным AI. Штаб-квартира в Амстердаме, R&D-хабы в Европе, Великобритании, Северной Америке и Израиле, более 1500 сотрудников.
Роль
Ищем Senior Site Reliability Engineer в команду, которая строит и эксплуатирует Nebius Data Platform — распределённую платформу хранения и обработки данных, выступающую «источником истины» и основой многих внутренних и части внешних продуктов. Платформа представляет собой единую мультитенантную экосистему на базе YTsaurus: вместо отдельных систем вроде HDFS/Kafka/HBase она предоставляет хранение, вычисления и аналитику внутри одной платформы. Платформа работает в дата-центрах по всему миру, YTsaurus развёрнут в выделенных кластерах Kubernetes с Kubernetes-операторами и вспомогательными сервисами, написанными преимущественно на Go. Команда поддерживает собственный дистрибутив Nebius, развивает функциональность ядра и платформенных сервисов и вносит вклад в upstream. В крупнейшем продакшн-кластере — около 500 серверов, ~20 тыс. CPU-ядер и ~10 ПБ сжатых данных; нагрузки включают бизнес-критичные пайплайны, финансовые транзакции, а также датасеты и вычисления для обучения ML/LLM.
Задачи
- Отвечать за надёжность, производительность и ёмкость кластеров YTsaurus, уделяя особое внимание сохранности данных и предсказуемому поведению под нагрузкой.
- Разрабатывать сервисы, автоматизацию Kubernetes и операционные инструменты на Go для упрощения провижининга, обновлений и обслуживания кластеров.
- Улучшать мониторинг, алертинг и диагностические инструменты для раннего обнаружения проблем и понимания их влияния на пользователей.
- Расследовать сбои на уровнях Linux, сетей, Kubernetes, распределённого хранения и вычислений. Участвовать в on-call, вести разбор инцидентов и превращать выводы в долговременные исправления.
- Повышать эффективность использования ресурсов и изоляцию нагрузок по мере роста платформы и числа команд.
- Взаимодействовать с разработчиками платформы и пользователями: принимать архитектурные решения, безопасно доставлять изменения и сокращать повторяющуюся операционную работу.
Требования
- Опыт эксплуатации распределённых stateful-систем в продакшене и ответственности за их надёжность.
- Сильные основы Linux и сетей, включая умение расследовать узкие места по ресурсам и сбои за пределами прикладного уровня.
- Практический опыт с Kubernetes: развёртывание, эксплуатация и траблшутинг продакшн-нагрузок.
- Сильные навыки программирования и опыт создания поддерживаемого ПО. Основной язык — Go; опыт на другом языке и готовность учить Go приветствуются.
- Системный подход к траблшутингу с опорой на логи, метрики, трейсы и поведение системы.
- Способность доводить улучшения от выявления проблемы до внедрения, ясно объяснять компромиссы и работать с разработчиками и пользователями платформы.
Будет плюсом
- Опыт с Big Data-системами (YTsaurus/Hadoop/Spark/ClickHouse/Kafka и подобные экосистемы).
- Опыт разработки Kubernetes-операторов или контроллеров.
- Опыт анализа производительности, планирования ёмкости или управления ресурсами в мультитенантных системах.
Процесс
В рамках отбора проводится интервью с программированием.
Условия
- Конкурентная компенсация.
- Возможности карьерного роста и обучения.
- Гибкость и самостоятельность.
- Коллаборативная и инновационная культура.
- Работа над значимыми AI-проектами.
- Международная среда и сильные команды.