Member of Technical Staff (Site Reliability Engineer, Cloud Infrastructure)

Мы ищем SRE-инженеров, которые рассматривают надёжность как задачу разработки программного обеспечения. Вы будете отвечать за вычислительные ресурсы, сети и хранилища в большом масштабе и поддерживать стабильность продакшена, пока всё, что построено поверх него, быстро меняется.

• Отвечать за продакшен в большом масштабе. Эксплуатировать вычислительную, сетевую и storage-основу потребительских продуктов Perplexity, а также продуктов Computer, API и enterprise, и отвечать за её доступность, задержки и стоимость.
• Управлять парком Kubernetes. Эксплуатировать и обновлять кластеры EKS, на которых работают веб-сервисы, поиск, хранилища данных и защищённые песочницы. Настраивать планирование, автомасштабирование, жизненный цикл узлов, DNS и сетевое взаимодействие сервисов, чтобы кластеры оставались здоровыми при скачкообразной и быстро растущей нагрузке.
• Проектировать сеть. Разрабатывать и эксплуатировать архитектуры VPC, подключения через Transit Gateway и PrivateLink, балансировку нагрузки, DNS и исходящий трафик между аккаунтами, регионами и облачными провайдерами.
• Обеспечивать сохранность и скорость данных. Отвечать за уровень хранения (EBS, S3, DynamoDB, а также управляемые базы данных и кэши, от которых зависят наши сервисы), включая производительность, сохранность, резервное копирование и восстановление, которое действительно было проверено.
• Управлять всем как кодом. Вести инфраструктуру через Terraform и CI/CD. Создавать переиспользуемые модули и ограничения безопасности, делать каждое изменение проверяемым, воспроизводимым и безопасным для отката.
• Готовиться к сбоям. Определять SLO, настраивать алерты, на которые можно отреагировать действиями, проектировать систему с учётом отказа зоны и региона, проводить game days и учения по аварийному восстановлению, доказывающие, что восстановление работает.
• Руководить реагированием на инциденты. Быть на критическом пути, когда что-то ломается. Доводить инциденты до разрешения, писать постмортемы без поиска виноватых и внедрять исправления, чтобы один и тот же сбой никогда не поднимал тревогу дважды.
• Масштабироваться с опережением спроса. Отвечать за планирование ёмкости, квоты, резервирования и эффективность затрат, чтобы запуски продуктов и всплески трафика никогда не ждали инфраструктуры.
• Автоматизировать рутину. Создавать инструменты, всё чаще управляемые агентами, которые превращают развёртывание, обновления и устранение проблем в самообслуживаемые процессы без ручного участия для каждой инженерной команды.

Мы ожидаем, что вы обладаете реальной глубиной знаний в большинстве из следующего:

• Глубокая экспертиза в AWS. Вы знаете VPC, IAM, EC2, EKS, ELB, Route 53, S3, EBS и др. намного глубже уровня консоли, включая их ограничения, режимы отказа и счёт, который за ними следует.
• Kubernetes в продакшене в большом масштабе: обновления кластеров, CNI, CoreDNS, автомасштабировщики вроде Karpenter и отладка неисправного узла в 3 часа ночи. Одного написания Helm charts недостаточно.
• Мастерское владение Terraform. Вы проектировали структуры модулей, управляли состоянием во многих аккаунтах и проводили крупные рефакторинги и импорты, не останавливая продакшен.
• Сильные основы сетей (TCP/IP, DNS, TLS, балансировка нагрузки, маршрутизация).
• Вы пишете настоящий код на Python, Go или Rust для автоматизации, инструментов и контроллеров, и предпочтёте автоматизировать runbook, а не следовать ему.
• Свободное владение инструментами наблюдаемости, такими как Datadog, Prometheus или Grafana, и умение превращать метрики, логи и трассировки в SLO и алерты, которые имеют значение.
• Опыт руководства продакшен-инцидентами и превращения анализа первопричин в долговременные исправления.
• Вы отвечаете за задачи от начала до конца и успешно работаете, когда путь вперёд заранее не проложен.

• Мультирегиональные архитектуры active-active или с failover, а также программы аварийного восстановления с реальными целевыми показателями восстановления.
• Прокси, service mesh и сети на уровне ядра: Envoy, Istio, Cilium или eBPF.
• GitOps и progressive delivery: Argo CD, Flux или аналоги.
• Корпоративные среды и среды с требованиями комплаенса: single-tenant или BYOC-развёртывания, KMS/BYOK, SOC 2 или аналогичные меры контроля.
• Эксплуатация stateful-систем в продакшене: Postgres, Redis или поисковые движки вроде Vespa или Elasticsearch.
• Работа с несколькими облаками или neocloud (GCP, CoreWeave или аналоги).
• FinOps: распределение затрат, Savings Plans и резервирования, а также удешевление инфраструктуры без потери её устойчивости.