Site Reliability Engineer, Cells Infrastructure

Мы ищем Intermediate Site Reliability Engineer в команду Cells Infrastructure в организации Scale & Architecture компании GitLab. В этой роли вы будете помогать создавать и эксплуатировать Cells — архитектуру, которая позволяет GitLab.com масштабироваться горизонтально. Cells делит GitLab.com на множество независимых единиц, у каждой из которых есть собственный стек приложения и данных, за общим слоем маршрутизации.

Это роль по принципу «сам создаёшь — сам эксплуатируешь». Вы будете развёртывать ячейки (cells), направлять на них трафик, безопасно выкатывать их и поддерживать их надёжность в продакшене. Вы также поможете переносить организации клиентов на Cells — одну из важнейших инициатив GitLab по масштабированию.

• Эксплуатировать Cells в продакшене: участвовать в ротации дежурств (on-call), реагировать на инциденты, проводить пост-инцидентные разборы и доводить корректирующие действия до завершения.

• Определять и отслеживать целевые показатели уровня обслуживания (SLO) для маршрутизации и состояния ячеек, а также создавать связанные с ними дашборды, алерты и runbook-и.

• Развёртывать и эксплуатировать инфраструктуру ячеек в Amazon Web Services (AWS) и Google Cloud Platform (GCP), включая Kubernetes, сети, Identity and Access Management (IAM), PostgreSQL, Redis и объектное хранилище.

• Разрабатывать инфраструктуру как код с помощью Terraform, Helm и инструментов GitOps, таких как Argo CD.

• Эксплуатировать и развивать глобальный слой маршрутизации, построенный на Cloudflare Workers, Envoy и сервисе на Go с хранилищем Cloud Spanner, а также расширять маршрутизацию на новые протоколы и сервисы.

• Улучшать конвейеры непрерывной интеграции и непрерывной доставки (CI/CD), лежащие в основе кольцевых (ring-based) развёртываний, включая продвижение, миграции баз данных, проверку со стороны обеспечения качества и откат.

• Поддерживать миграции организаций: готовить целевые ячейки и помогать с пробными прогонами и переключениями в продакшене.

• Работать с продуктовыми командами, чтобы их сервисы были совместимы с ячейками, и писать документацию, чтобы другие могли уверенно эксплуатировать Cells.

• Профессиональный опыт эксплуатации продакшен-инфраструктуры в большом масштабе на AWS, GCP или на обеих платформах, включая Kubernetes, а также уверенное владение Terraform и Helm.

• Свободное владение Go либо серьёзный опыт работы с другим системным языком и готовность ежедневно работать на Go.

• Прочная база в лучших практиках site reliability engineering (SRE): SLO и бюджеты ошибок, пост-инцидентные разборы без поиска виноватых, сокращение рутинной работы (toil) через автоматизацию, планирование мощностей и проектирование с учётом плавной деградации.

• Опыт ответственности за сервисы в продакшене, включая дежурства (on-call), реагирование на инциденты и мониторинг с помощью таких инструментов, как Prometheus и Grafana.

• Практические знания в области прогрессивной доставки (progressive delivery): как безопасно выкатывать изменения на весь парк систем и как откатывать их.

• Глубокое понимание основ распределённых систем, таких как маршрутизация запросов, прокси, согласованность и домены отказа.

• Опыт эффективной работы в распределённых командах, работающих полностью удалённо: вы по умолчанию предпочитаете асинхронное общение с приоритетом письменной формы, документируете решения в issues и merge requests, чётко передаёте работу между часовыми поясами и открыто сообщаете о ходе работы и блокерах.

• Опыт работы с Cloudflare, Spanner, Argo CD, TypeScript или эксплуатации GitLab в большом масштабе будет плюсом, но не является обязательным требованием.

• Льготы для поддержки вашего здоровья, финансов и благополучия

• Гибкий оплачиваемый отпуск

• Ресурсные группы сотрудников (Team Member Resource Groups)

• Долевая компенсация и план покупки акций для сотрудников (Employee Stock Purchase Plan)

• Фонд роста и развития

• Отпуск по уходу за ребёнком