Описание
VK разрабатывает крупнейший мессенджер в России, который соединяет людей, сервисы и компании. MAX — цифровая платформа с мессенджером, мини-приложениями, нейропомощником, платёжным сервисом и конструктором чат-ботов.
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 и централизованные логи, создавать 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 на инциденты, координировать восстановление, проводить postmortem и доводить улучшения до продакшена
•Взаимодействовать с командами разработки и инфраструктурными командами, участвовать в архитектурных обсуждениях, ревью изменений и согласовании требований к production readiness
•Вести и развивать эксплуатационную документацию: runbooks/playbooks, инструкции по релизам, роллбэкам и аварийным процедурам, документацию дашбордов, алертов, зависимостей и эскалаций
Требования
•Опыт 5+ лет в SRE, DevOps, Platform или System Engineering
•Опыт эксплуатации highload-систем
•Глубокие знания Linux: администрирование, диагностика производительности, systemd, файловые системы, лимиты, квоты и устранение проблем на продакшене
•Знание TCP/IP, DNS, HTTP/HTTPS, TLS, L4/L7-балансировки и keepalive
•Опыт эксплуатации распределённых систем
•Опыт эксплуатации инфраструктуры в публичном облаке: сети, балансировщики, autoscaling, IAM, отказоустойчивость по зонам и регионам, базовые подходы к DR
•Практический опыт работы с Kubernetes на уровне эксплуатации
•Опыт работы с Terraform или аналогом, Ansible, Git workflow и code review
•Знание CI/CD, безопасных релизов, canary, blue-green и стратегий rollback
•Умение читать код на Go, Java или Python для диагностики
•Умение писать автоматизацию на Python, Go или Bash
•Знание Prometheus/Alertmanager, Grafana и централизованных логов
•Знание SRE-практик: SLI/SLO, error budget, incident response и postmortem
•Готовность участвовать в on-call и разборе инцидентов
•Навыки создания и поддержки эксплуатационной документации
•Будет плюсом опыт с PostgreSQL, Redis, Cassandra, Kafka или ClickHouse, сопровождение Java, знание JVM/GC, heap/thread dumps, профилирования, диагностики latency, secrets management и least privilege
Условия
•Гибкий график работы
•Бонусы и скидки от партнёров
•Офис в центре города
•ДМС
•Профессиональная команда
