SRE-инженер по базам данных и распределённым системам

О компании

Grafana Labs — компания, стоящая за Grafana Cloud, полностью управляемой платформой наблюдаемости, которой доверяют более 10 000 организаций. Платформа построена на open source и открытых стандартах, обеспечивает совместимость с любым стеком. Grafana Cloud объединяет AI и наблюдаемость, чтобы команды и их агенты получали единую видимость данных. Среди клиентов: Anthropic, Bloomberg, NVIDIA, Microsoft, Salesforce. Компания полностью удалённая, сотрудники находятся в более чем 40 странах. Среди инвесторов: Lightspeed Venture Partners, Sequoia Capital, GIC, Coatue, J.P. Morgan, CapitalG и Lead Edge Capital.

Роль

Grafana Cloud запускает Mimir, Loki, Tempo и Pyroscope как multi-tenant SaaS базы данных в AWS, GCP и Azure в регионах по всему миру. Клиенты с highest-SLA зависят от них в работе своих бизнесов. Нужен Staff Software Engineer, который будет поддерживать надёжность этих систем в масштабе. Роль сочетает разработку и эксплуатацию: написание ПО, автоматизации и изменений продукта для повышения надёжности баз данных, включая изменения в кодовых базах Mimir, Loki и Tempo, когда это требуется для надёжности. Также предусмотрен on-call для клиентов с highest-SLA и связанная с этим операционная работа. Нужно привносить production-подход в продуктовую инженерию и инженерную строгость в надёжность, задавать техническое направление между командами.

Задачи

• 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, которые убирают рутину и масштабируют практики надёжности между регионами и облачными провайдерами.
• Вести техническое проектирование: писать design-документы, ревьюить проекты и PR других, влиять на проектирование функций так, чтобы они были масштабируемыми и эксплуатируемыми с первого дня.
• Владеть SLO-фреймворком: определять и развивать per-tenant SLO и модели надёжности, использовать SLO burn и выводы из инцидентов для поиска и устранения причин отказов в самих системах.
• Улучшать наблюдаемость и алертинг, чтобы находить проблемы раньше клиентов и делать эскалации полезными, а не шумными.
• Быть on-call для клиентов с highest-SLA: быть технической точкой эскалации для сложных клиентских сред, лидировать incident response с влиянием на клиентов, включая customer bridge calls при необходимости, писать blameless post-incident reviews, ведущие к инженерным исправлениям.
• Выполнять операционную работу, связанную с on-call: разбирать клиентские эскалации, следить за действиями по инцидентам, настраивать capacity и конфигурации, превращать повторяющиеся проблемы в постоянные исправления или автоматизацию.
• Развивать команду: менторить инженеров, обучать практикам надёжности, которые команды внедряют на ранних этапах разработки, работать с engineering leadership над роадмапами и продуктовой стратегией.
• Ценится интеллектуальная любознательность, прозрачность по умолчанию, высокая склонность к действию и доброта.

Требования

• 8+ лет опыта software engineering, включая значительное время создания и владения распределёнными системами в production.
• Сильные навыки production software, желательно хотя бы на одном объектно-ориентированном языке. Умение писать чистый протестированный код и делать точечные изменения в больших open-source кодовых базах, которые вы не писали.
• Глубокое понимание распределённых систем: производительность, масштабирование и режимы отказов. Умение рассуждать о том, как система сломается, до того как это произойдёт.
• Опыт эксплуатации multi-tenant систем в масштабе на Kubernetes в AWS, GCP или Azure с infra-as-code инструментами, такими как Terraform, Helm или Jsonnet.
• Практический опыт проектирования и внедрения SLO.
• Опыт on-call для production-систем. Спокойный и методичный troubleshooting.

Условия

• Удалённая работа; ищут кандидатов из Великобритании, Швеции, Испании, Германии или Ирландии.
• Компания 100% удалённая, сотрудники в более чем 40 странах.
• Оплата: по договорённости.
• Weekday 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. Weekend on-call выпадает примерно раз в шесть–восемь недель.