高级网站可靠性工程师 MAAS 亚美尼亚远程
负责 Pragmatike 分布式云平台和 GPU 基础设施的高级 SRE。工作涵盖 MAAS、Kubernetes、网络、自动化、可观测性和硬件可靠性。
描述
- 在 Debian 和 Ubuntu 裸机及虚拟化环境中运行和维护大规模 Linux 系统
- 管理 MAAS 裸机配置，包括区域控制器和机架控制器、PXE、调试、cloud-init、节点生命周期以及 API 或 CLI 自动化
- 运行生产环境中的 Kubernetes 集群，负责升级、节点池、网络、存储、安全加固和故障排查
- 使用 VLAN、二层和三层路由、链路聚合接口、VPN、防火墙和 DNS 设计并支持多站点网络
- 使用 Ansible、Bash 或 Python、OpenTofu 或 Terraform，以及基于 Git 的工作流自动化基础设施配置和运维
- 使用 PXE、Preseed 和 cloud-init 创建并维护自动化部署流程
- 使用 Prometheus、Grafana、Alertmanager、VictoriaMetrics 或 VictoriaLogs 等工具运行可观测性系统
- 为基础设施和平台服务建立并改进 SLI、SLO、告警和可靠性实践
- 负责基础设施事件响应、调查、升级处理和事后改进
- 维护跨分布式环境的值班流程和运营覆盖
- 在硬件层面处理 IPMI 或 Redfish、BMC、RAID、存储、诊断和 GPU 基础设施
- 管理 Proxmox、KVM/libvirt、OpenStack 或 VMware 等虚拟化平台，并在需要时配置 GPU 直通
- 开发用于主机发现、配置、IPAM、硬件健康监测和运维自动化的内部基础设施工具
- 管理基础设施生命周期工作，包括站点接入、维护、退役、配置漂移检测和运行手册
- 与工程团队及跨职能团队合作，提升可靠性、资源利用率和运营效率
任职要求
- 至少五年 SRE、基础设施、系统或平台工程实践经验
- 具备高级 Linux 管理能力，尤其熟悉 Debian 和 Ubuntu
- 具备经过验证的 MAAS 和裸机配置生产经验
- 具备丰富的生产环境 Kubernetes 实战经验，包括集群生命周期、网络、存储、升级和故障排查
- 具备扎实的网络专业知识，涵盖 VLAN、二层和三层路由、链路聚合、VPN、防火墙和 DNS
- 具备使用 Ansible、Bash 和或 Python 进行自动化的能力
- 具备 Terraform 或 OpenTofu 以及基于 Git 的基础设施工作流经验
- 具备 Prometheus、Grafana 或同类可观测性平台的生产经验
- 具备事件响应、值班运营、监控、告警和可靠性实践背景
- 具备 Proxmox、KVM/libvirt、OpenStack、VMware 或类似虚拟化平台经验
- 具备管理裸机硬件、BMC、IPMI 或 Redfish、存储及硬件故障排查的经验
- 扎实掌握分布式系统、容器编排和基础设施可靠性知识
- 具备通过 RBAC、防火墙、网络策略、密钥管理和安全加固来保护基础设施的经验
- 能够从零开始制定标准操作规程、运行手册和运营流程
- 能够在快速变化、以工程为核心的环境中独立工作
- 要求英语流利
福利待遇
- 完全远程办公，工作时间灵活
- 技术影响力大，拥有广泛的技术决策权和自主性
- 直接接触裸机系统、Kubernetes、网络和 GPU 基础设施
- 与国际化、以工程为核心的团队协作
- 高度重视自动化、可靠性和大规模基础设施建设
- 有机会参与塑造不断发展的云平台架构和运营基础