ما به دنبال یک Site Reliability Engineer هستیم که مسئولیت اصلی آن افزایش Availability، Reliability، Observability و Performance سرویس‌های Production باشد.
این نقش صرفاً نگهداری سرور نیست؛ انتظار داریم فرد بتواند رفتار سرویس را تحلیل کرده و قبل از تبدیل مشکلات به Incident، آن‌ها را شناسایی کند.
مسئولیت‌ها:
طراحی و توسعه Monitoring و Observability
پیاده‌سازی Alerting مناسب برای سرویس‌های Production
طراحی Dashboardهای عملیاتی
مدیریت Logging و Centralized Logging
تحلیل Performance و Bottleneckها
تعریف و مدیریت SLI، SLO و SLA
Incident Detection و Incident Response
Root Cause Analysis
تهیه Postmortem پس از Incidentهای مهم
بررسی Capacity و Capacity Planning
طراحی و اجرای Health Checkها
تست Backup و Restore
مشارکت در Disaster Recovery Drill
بهینه‌سازی Reliability سرویس‌ها
همکاری با تیم توسعه برای افزایش Resilience نرم‌افزارها
مهارت‌های مورد انتظار:
Linux Administration
تجربه Monitoring با Prometheus
تجربه Grafana
تجربه Logging با Loki، ELK یا OpenSearch
آشنایی با Alertmanager یا ابزارهای مشابه
آشنایی مناسب با Docker
توانایی Troubleshooting سرویس‌های Production
آشنایی با Nginx و Reverse Proxy
آشنایی با PostgreSQL، Redis و Message Brokerها
درک مناسب از Networking
آشنایی با HTTP، DNS و TLS
توانایی Script نویسی با Bash یا Python
مزیت محسوب می‌شود:
تجربه APM
آشنایی با OpenTelemetry
تجربه Distributed Tracing
تجربه Kubernetes
تجربه Chaos Engineering
تجربه On-call و Incident Management
تجربه سرویس‌های High Traffic