Staff SRE-инженер по базам данных

Grafana Labs — компания, развивающая Grafana Cloud, полностью управляемую платформу наблюдаемости. Grafana Cloud работает на Mimir, Loki, Tempo и Pyroscope как мультитенантные SaaS-базы данных в AWS, GCP и Azure по всему миру. Крупнейшие клиенты с высокими SLA зависят от их надёжности.

Роль сочетает разработку и эксплуатацию: вы пишете код, автоматизацию и продуктовые изменения, которые делают базы данных надёжнее, включая правки в кодовых базах Mimir, Loki и Tempo, где это требуется для надёжности. Также вы находитесь на дежурствах для клиентов с наивысшими SLA и выполняете связанную операционную работу.

Задачи:

• Встраивать надёжность в продукт: писать production-код в сервисах, инструментах и кодовых базах Mimir, Loki и Tempo, чтобы базы данных были устойчивее, самовосстанавливались и масштабировались при быстром росте нагрузки.
• Создавать автоматизацию и платформенные инструменты, устраняющие рутину и масштабирующие практики надёжности между регионами и облачными провайдерами.
• Вести техническое проектирование: писать дизайн-документы, ревьюить чужие дизайны и PR, влиять на проектирование функций так, чтобы они были масштабируемыми и эксплуатируемыми с первого дня.
• Отвечать за фреймворк SLO: определять и развивать SLO для каждого тенанта и модели надёжности, использовать выгорание SLO и уроки инцидентов для поиска и устранения причин отказов в самих системах.
• Улучшать наблюдаемость и алертинг, чтобы находить проблемы раньше клиентов и делать эскалации действенными, а не шумными.
• Быть на дежурствах для клиентов с наивысшими SLA, выступать технической точкой эскалации для сложных клиентских окружений, вести реагирование на инциденты, влияющие на клиентов, включая бридж-звонки при необходимости, и писать беспристрастные постмортемы, ведущие к инженерным исправлениям.
• Выполнять операционную работу, связанную с дежурствами: разбирать клиентские эскалации, отслеживать действия по инцидентам, настраивать ёмкость и конфигурацию, превращать повторяющиеся проблемы в постоянные исправления или автоматизацию.
• Усиливать команду: наставлять инженеров, обучать практикам надёжности, которые команды внедряют на ранних этапах разработки, работать с инженерным руководством над дорожными картами и продуктовой стратегией.

Требования:

• 8+ лет опыта в разработке ПО, включая значительное время создания и сопровождения распределённых систем в production.
• Сильные навыки production-разработки, желательно хотя бы на одном объектно-ориентированном языке. Вы пишете чистый, покрытый тестами код и можете вносить точечные изменения в крупные open-source кодовые базы, которые писали не вы.
• Глубокое понимание распределённых систем: производительность, масштабирование и режимы отказов. Умение рассуждать о том, как система сломается, до того как это произойдёт.
• Опыт эксплуатации мультитенантных систем в масштабе на Kubernetes в AWS, GCP или Azure с инструментами infrastructure-as-code, такими как Terraform, Helm или Jsonnet.
• Практический опыт проектирования и внедрения SLO.
• Опыт дежурств на production-системах. Спокойное и методичное устранение неполадок.

Условия:

• Удалённая работа. Компания полностью удалённая, сотрудники в 40+ странах. Ищем кандидатов из Великобритании, Швеции, Испании или Германии.
• Дежурства в будни: 12-часовые смены с понедельника по пятницу, разделённые между Северной Америкой и Европой, так что вы покрываете свои локальные рабочие часы. Выходные покрываются отдельной 24-часовой ротацией; примерно раз в шесть-восемь недель вы берёте выходные.
• Ценится интеллектуальное любопытство, прозрачность по умолчанию, высокая склонность к действию и доброта.