分布式系统工程师 III（埃及远程）
为 Mozn 的企业级 AI 产品构建并运营可扩展的云、Kubernetes、Kafka 和数据平台。 在生产环境中支持高可靠、数据密集型及 AI 工作负载。
描述
- 构建并持续改进用于分布式工作负载的生产级云原生平台
- 运营 Kubernetes 平台，包括升级、节点池、工作负载生命周期、故障排查和日常运维
- 使用 ArgoCD、Helm、GitOps、Terraform 和自动化工具部署并管理服务
- 设计优先考虑可扩展性、可用性、韧性、性能和运维简洁性的系统
- 解决涉及 Kubernetes、云基础设施、网络、存储、应用和分布式服务的复杂问题
- 在高吞吐量生产环境中运行并排查 Apache Kafka
- 管理 Kafka 主题、分区、复制、消费者组、保留策略、吞吐量、延迟以及故障恢复
- 通过 Kafka Connect、Debezium 或同类 CDC 和事件流工具连接 Kafka、数据库及应用
- 运营 MySQL 和/或 PostgreSQL，涵盖复制、高可用、备份、恢复、性能和迁移
- 支持 StarRocks、ClickHouse、Apache Doris 或同类技术等数据密集型和分析平台
- 设计并运营能够承受节点、服务、可用区和基础设施故障的平台
- 实施并测试备份、恢复、灾难恢复、故障转移和业务连续性能力
- 在适当情况下采用多可用区、多区域和双活架构模式
- 开发具备适当隔离、扩展、资源控制和可靠性的多租户平台
- 参与灾难恢复演练、故障模拟、迁移和更广泛的韧性项目
- 使用 Terraform、Python、Bash、Go 或类似技术自动化基础设施和平台生命周期任务
- 开发可靠的部署和 GitOps 工作流，减少手动运维工作
- 为分布式工作负载实施监控、日志、告警和可观测性
- 参与生产事故响应、根因分析和长期可靠性建设
- 为 AI、机器学习和数据密集型工作负载提供基础设施
- 推进面向 AI 工作负载、数据管道、模型服务和平台服务的云与 Kubernetes 平台
- 解决 AI 平台中的计算、GPU、网络、存储、数据传输、可观测性和工作负载隔离需求
- 与工程团队创建可复用的平台能力，以可靠地大规模运行 AI 和数据工作负载
- 持续了解涵盖 AI 平台、分布式数据系统和云原生技术的基础设施模式
任职要求
- 拥有 4 至 7 年平台工程、基础设施工程、分布式系统、SRE、后端工程、数据基础设施或相关领域经验
- 必须具备丰富的 Apache Kafka 生产环境经验
- 必须具备 Kubernetes 的实际生产环境经验
- 必须具备 MySQL 或 PostgreSQL 之一的丰富经验
- 理解复制、分区、一致性、可用性、容错性、可扩展性和故障恢复等分布式系统原则
- 具备 ArgoCD、GitOps 及 Terraform 等基础设施即代码工具的经验
- 曾在 GCP、OCI、AWS 或 Azure 等公有云平台上运行工作负载
- 具备出色的生产环境故障排查和事故解决能力
- 使用 Python、Bash、Go、Java 或同类语言进行自动化和脚本编写
- 理解高可用、灾难恢复和多租户架构基础
- 具备 Prometheus、Grafana、OpenSearch/ELK、LGTM 或同类可观测性和运维工具经验
- 理解云原生环境中的基础设施和网络基础知识
- 优先考虑：具备 Kafka Connect、Debezium、Kafka Streams 或 CDC 平台经验
- 优先考虑：具备 StarRocks、ClickHouse、Apache Doris 或同类分布式分析数据库经验
- 优先考虑：具备 Flink、Spark 或其他分布式数据处理技术经验
- 优先考虑：具备交付大规模数据、数据库、应用或基础设施迁移项目的经验
- 优先考虑：具备双活、多可用区或多区域系统经验
- 优先考虑：具备在 Kubernetes 上运营有状态工作负载的经验
- 优先考虑：具备支持 AI/ML 基础设施或 GPU 工作负载的经验
- 优先考虑：具备云网络、服务网格、入口、负载均衡或存储平台经验
- 优先考虑：参与过 Kubernetes、Kafka、分布式系统或其他开源基础设施项目
福利待遇
- 具有竞争力的薪酬
- 优质医疗保险
- 协作且富有支持性的文化
- 在信任基础上承担有意义的责任
- 拥有决策自主权
- 充满活力且富有参与感的工作环境
- 有机会与顶尖 AI 专业人士共事
- 重视多元化的包容性工作场所