Описание вакансии
Location: Москва
Workplace: Дистанционный
Мы разрабатываем крупнейший мессенджер в России, чтобы соединять людей, сервисы и компании. Создаём простые и удобные инструменты коммуникации.
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, централизованные логи): делать 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 и устранять инциденты, координировать восстановление, проводить postmortem и доводить улучшения до продакшена
Взаимодействовать с командами разработки и смежными инфраструктурными командами: участвовать в архитектурных обсуждениях, ревью изменений, согласовании требований к production readiness
Вести и развивать эксплуатационную документацию
: писать и актуализировать runbooks/playbooks для типовых инцидентов и деградаций, инструкции по релизам/роллбэкам и аварийным процедурам (в том числе DR), документировать дашборды/алерты и схемы зависимостей/эскалаций
Требования
Опыт 5+ лет
в SRE/DevOps/Platform/System Engineering, опыт эксплуатации
highload
-систем
Глубокие знания Linux
: администрирование, диагностика производительности (CPU/mem/io), анализ деградаций, systemd, файловые системы, лимиты/квоты, troubleshooting на production
Сетевые основы для диагностики
: TCP/IP, DNS, HTTP/HTTPS, TLS, L4/L7 балансировка, keepalive; умение находить и устранять сетевые причины деградаций
Опыт эксплуатации распределённых систем
: понимание partial failures, timeouts/retries, backpressure, graceful degradation
Облака: опыт эксплуатации инфраструктуры в
публичном облаке — сети и балансировщики, autoscaling, IAM/роль‑модель; построение
отказоустойчивости по зонам/регионам, базовые DR-подходы
Контейнеры и Kubernetes:
понимание контейнеризации и практический опыт работы с Kubernetes на
уровне эксплуатации (деплой, конфигурации, диагностика проблем
приложений/окружения)
Infrastructure as Code
: Terraform (или аналог) + Ansible; Git‑workflow, code review, версионирование инфраструктуры
CI/CD и управление изменениями
: безопасные релизы (canary/blue‑green), rollback стратегии, снижение рисков изменений
Код и автоматизация: чтение чужого кода (Go/Java/Python) для диагностики;
написание автоматизации (Python/Go/Bash), создание утилит/джоб для
эксплуатации
Observability: Prometheus/Alertmanager, Grafana,
централизованные логи (Graylog/ELK) — дашборды под эксплуатацию, алерты с учётом
снижения шума и приоритизации
SRE-практики
: SLI/SLO, error budget, incident response, postmortem без поиска виноватых
Готовность к on-call
и участие в разборе и устранении инцидентов
Навыки
создания и поддержки эксплуатационной документации
: runbooks/playbooks, инструкции по деплою/роллбэку, схемы архитектуры, описания SLO/алертов; умение писать кратко и так, чтобы документ работал в инциденте
Будет плюсом
Опыт с БД/кешами/очередями: PostgreSQL/Redis/Cassandra/Kafka/ClickHouse и так далее
Сопровождение Java: JVM/GC, heap/thread dumps, профилирование, диагностика latency
Security basics: secrets management, least privilege