SRE-инженер по надёжности баз данных
Grafana Labs — компания, создавшая Grafana Cloud, полностью управляемую платформу наблюдаемости, которой доверяют более 10 000 организаций для обеспечения надёжности, быстрого разрешения инцидентов и оптимизации телеметрии в масштабе. Grafana Cloud построена на открытом исходном коде и открытых стандартах, рассчитана на совместимость с любым стеком, объединяет ИИ с наблюдаемостью и наблюдаемость с ИИ. Компания на 100% удалённая, сотрудники находятся в 40+ странах. Среди клиентов — Anthropic, Bloomberg, NVIDIA, Microsoft и Salesforce.
О роли Grafana Cloud запускает Mimir, Loki, Tempo и Pyroscope как мультитенантные SaaS-базы данных в AWS, GCP и Azure в регионах по всему миру. Клиенты с наивысшим SLA зависят от них. Ищем инженера-программиста уровня Staff для поддержания надёжности этих систем в масштабе. Роль сочетает разработку и эксплуатацию. Вы будете писать программное обеспечение, автоматизацию и продуктовые изменения, которые делают базы данных надёжнее, включая изменения в кодовых базах Mimir, Loki и Tempo, когда этого требует надёжность. Также вы будете on-call для клиентов с наивысшим SLA и выполнять связанную операционную работу. Вы привнесёте production-подход в продуктовую разработку и инженерную строгость в надёжность, будете задавать техническое направление между командами.
Задачи
- Встраивать надёжность в продукт: писать production-код в сервисах, инструментах и кодовых базах Mimir, Loki и Tempo, чтобы базы данных были более устойчивыми, самовосстанавливающимися и масштабируемыми при быстром росте нагрузки.
- Создавать автоматизацию и платформенные инструменты, устраняющие рутину и масштабирующие практики надёжности по регионам и облачным провайдерам.
- Вести техническое проектирование: писать design docs, ревьюить чужие дизайны и PR, влиять на дизайн функций, чтобы они были масштабируемыми и эксплуатируемыми с первого дня.
- Владеть SLO-фреймворком: определять и развивать SLO для отдельных тенантов и модели надёжности, использовать SLO burn и выводы из инцидентов для поиска и устранения причин сбоев в самих системах.
- Улучшать наблюдаемость и алертинг, чтобы находить проблемы раньше клиентов и чтобы эскалации были действенными, а не шумными.
- Быть on-call для клиентов с наивысшим SLA: быть точкой технической эскалации для сложных клиентских окружений, вести реагирование на влияющие на клиентов инциденты, включая клиентские bridge-звонки при необходимости, и писать blameless post-incident reviews, которые приводят к инженерным исправлениям.
- Выполнять операционную работу, связанную с on-call: исследовать клиентские эскалации, отслеживать действия по инцидентам, настраивать ёмкость и конфигурацию, превращать повторяющиеся проблемы в постоянные исправления или автоматизацию.
- Усиливать команду: менторить инженеров, обучать практикам надёжности, которые команды внедряют рано в разработке, работать с инженерным руководством над дорожными картами и продуктовой стратегией.
- Ценится интеллектуальное любопытство, прозрачность по умолчанию, высокий bias towards action и доброта.
On-call В будни on-call — 12-часовые смены с понедельника по пятницу, разделённые между Северной Америкой и Европой, чтобы покрывать локальные рабочие часы. Выходные покрываются отдельной 24-часовой ротацией. Примерно раз в шесть-восемь недель вы будете брать выходные.
Требования
- 8+ лет опыта в разработке программного обеспечения, включая значительное время создания и владения распределёнными системами в production.
- Сильные навыки production-разработки, желательно минимум на одном объектно-ориентированном языке. Вы пишете чистый, протестированный код и можете вносить точечные изменения в больших open-source кодовых базах, которые не писали.
- Глубокое понимание распределённых систем: производительность, масштабирование и режимы отказов. Умеете 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 on-call для production-систем. Спокойно и методично устраняете проблемы.
Условия
- Удалённая работа.
- Кандидаты из Великобритании, Швеции, Испании или Германии.
- Компания на 100% удалённая, сотрудники в 40+ странах.
