Site Reliability Engineer

О команде

Сейчас в нашей команде инфраструктуры 7 инженеров, среди которых как опытные разработчики, так и люди с большим опытом в качестве системных инженеров. Чем мы занимаемся:

• Повышаем автономность команд разработки.
• Увеличиваем надёжность системы.
• Снижаем количество рутинных операций.
• Снижаем стоимость инфраструктуры.
• Развиваем SRE-практики на уровне компании.

В рамках этих направлений мы создаём инструменты для себя и для команд разработки, ходим в дневные и ночные дежурства, анализируем основные источники проблем и ищем пути для их устранения.

Примеры некоторых проектов за последний год

• IaC 2.0. Мы постоянно эволюционируем: проходили этапы Azure ARM + Ansible, Terraform (HCL) + Packer + Ansible, экспериментировали с Pulumi, делали свое решение на базе вышеперечисленного c Python-оберткой (тесты, пробы, метрики и т.п.) — до Kubernetes времен. В этом году мы написали решение на базе JSON Net + Terraform (JSON) и движемся в сторону собственного K8s оператора (Golang) (конечно же, мы смотрели на существующие реализации Terraform операторов, но по разным причинам они не подходят (пока)).

• Production-grade Kubernetes. Мы реализовали единый механизм для управления приложениями в наших кластерах с помощью собственного инструмента в формате CLI и чат-бота, помогли перевести по меньшей мере 80 приложений, сделали единый механизм управления секретами для приложений, настроили мониторинг и логирование и ещё много всего.

• Автоматизация пейджинга, процесса ведения инцидентов командами. Чтобы было легче вводить новых сотрудников и команды в этот процесс, а также снизить когнитивную нагрузку на инженеров во время самого инцидента и после него, мы сделали Slack/Mattermost-бота — Reaction (Golang), который отправляет нотификации, содержащие полезную и необходимую информацию по алерту, автоматизирует большую часть ручных действий и помогает инженеру придерживаться принятого в компании процесса. Также у нас написан собственный инструмент пейджинга на замену Pagerduty/VictorOps/Grafana Oncall/etc — Pager (Golang), управляющий алертами, эскалациями, расписаниями, оповещением и даже расчетом компенсаций для дежурящих по своим сервисам команд.

• Автоматизация миграций БД. На больших объёмах данных процесс выполнения скриптов миграций становится рутинным, длительным и ошибкоёмким, а также отнимает много времени и сил у наших инженеров. Мы разработали инструмент (MySQL-Migrator (Golang)), чтобы применять DDL/DML изменения можно было без нашего участия, а сам процесс был надежным, прозрачным и автономным.

Чем предстоит заниматься

Вот некоторые из наших текущих фокусов и ближайших проектов. Будет круто, если у тебя уже есть опыт по одному из этих направлений.

• Cloud Adoption. Сейчас всем, что связано с облаками, занимаемся преимущественно мы. Команды самостоятельно управляют своей инфраструктурой (через наши инструменты), но мы хотим расширять их ответственность, как пример — управление потреблением и затратами по своим сервисам.
• Infrastructure as Code. Наша облачная инфраструктура Azure полностью описана в коде, мы придерживаемся базовой единицы — сервис и это качественно описанная инфраструктура per service (Terraform + JSON Net). В 2024 мы вводим еще одно облако — Yandex Cloud. Также, мы готовимся к описанию инфраструктуры на базе K8s CRDs (свои операторы).
• Kubernetes. Все наши сервисы развернуты в K8s, сейчас мы используем собственное решение для CD — env (GitOps+Oras+Werf), но двигаемся в Argo/Flux, заворачиваем базовые сервисы в виде операторов с CRDs, готовим Kyverno, политики, distroless и все, что необходимо для безопасной и управляемой работы.
• Service registry. Мы намерены собрать в одном месте всю информацию по сервисам, чтобы упростить поддержку и управление этой информацией и строить на её основе автоматизацию.
• Error budget. У нас уже есть набор инструментов для подсчёта бюджета ошибок, но нет процесса его контроля и отслеживания. С помощью автоматизации мы хотим превратить всё это в рабочую систему, позволяющую командам самостоятельно контролировать бюджет ошибок своих сервисов.

Мы ждем, что ты

• Имеешь крепкий практический опыт в дизайне и операционной поддержке и хотя бы небольшой в разработке высоконагруженных распределённых систем с доступностью 24/7/365.
• Работал с публичными облаками, понимаешь их преимущества и недостатки, а также основные концепции и применяемые практики.
• Имеешь опыт работы с системами оркестрации контейнеров в production-окружениях.
• Умеешь работать в команде, можешь общаться с разработчиками на одном языке и находить баланс между идеальным решением в вакууме и текущими нуждами.
• Понимаешь принципы DevOps-культуры и SRE-практики.
• Готов(а) к нечастым, но существующим дежурствам.
• Имеешь опыт работы: 3-6 лет.

Условия

• Классный онбординг. В течение первых трёх месяцев тебе во всём помогает опытный инженер, а потом останется твоим ментором. Не будет периода, когда ты не знаешь, куда идти, у кого спросить, и что делать. Погружение во все процессы максимально стремительное и гладкое.
• Независимая команда. Мы сами решаем, какие задачи для нас являются наиболее приоритетными и какие технологии и процессы использовать для их решения.
• Site Reliability Engineering. Мы идём в сторону SRE: некоторые практики уже используются в масштабах компании, над проработкой и внедрением других мы активно работаем. Например, мы используем алерты по SLO, пишем постмортемы и можем приостановить разработку новых фич, если доступность сервиса оказалась ниже установленного уровня.
• Жизнь в облаках. Мы стараемся по максимуму использовать преимущества публичных облаков и предоставляемых ими сервисов, чтобы тратить меньше времени на обслуживание, не переживать о железных серверах и не решать заново уже решённые проблемы.
• Разные варианты сотрудничества. Обсуждаем все индивидуально.
• Возможность работать удалённо или в уютных офисах на Автозаводской в Москве, на Петроградке в Санкт-Петербурге, в Алматы или в Дубае.