
首席站点可靠性工程师
负责提升 Backblaze 云存储平台的可靠性,增强生产服务的可用性与持久性。 推动可观测性、自动化、事件响应及平台稳定性的长期改进。
描述
- 负责关键生产服务的可用性与持久性成果。
- 从发现问题到解决问题,主导项目推进。
- 就服务健康指标提供建议,并与服务负责人协作完善 SLI、SLO、错误预算策略和告警机制。
- 参与管理层值班轮换、事件响应和事后复盘。
- 运用 ITIL/OSS 实践管理事件、变更、问题和容量。
- 自动化日常运维任务,减少手动工作和重复劳动。
- 与工程团队协作制定存储设计和符合产品 SLA 的性能预期。
- 使用 Prometheus、Grafana、Catchpoint 和 ELK 等工具建立监控、日志和告警框架,并将运行手册与 FireHydrant 集成。
- 使用 CI/CD 流水线、配置管理以及 Terraform、Ansible 和 Jenkins 等基础设施即代码工具。
- 编写 Bash、Python 或 Go 脚本,提升可靠性和运维效率。
- 与工程、客户成功、产品和运营团队协作,打造有韧性的系统与运营体系。
- 与客户合作,根据其需求和产品体验优先保障稳定性。
- 与供应商和服务提供商一起排查服务问题,并跟踪 SLA 表现。
- 记录系统文档、分享经验,助力建设重视可靠性的工程文化。
- 牵头跨职能工作,找出可观测性和运营流程中的不足并确定优先级。
- 发现反复出现的问题,提出持久改进建议并制定行动计划。
- 推动开发和运营团队采用重视可靠性的实践。
任职要求
- 计算机科学、工程或相关专业本科及以上学历,或具备同等经验。
- 至少 10 年站点可靠性、系统工程或运营经验;有超大规模云服务商经验者优先。
- 具备大规模生产系统经验,包括制定运营流程或运行手册并培训他人使用。
- 具备扎实的 Linux 系统管理和故障排查技能。
- 能够证明曾运用 AI 工具提升平台稳定性和可扩展性。
- 了解存储系统、性能、分片和存储算法。
- 具备负载均衡服务经验,包括 IPVS。
- 具备注重安全的运维实践经验,包括打补丁、加固系统和识别漏洞。
- 熟悉监控、告警、事件响应和根因分析等可靠性实践。
- 熟练掌握至少一种脚本语言:Python、Bash 或 Go。
- 必须具备 Kubernetes、Docker 等容器和微服务经验;能够在 Kubernetes/Vitess-on-K8s 环境中使用 kubectl、mysqlsh 和 Vitess keyspace 开展运维。
- 具备 Nomad、Vault 或 Terraform 等 HashiCorp 产品经验。
- 有 SaaS、服务提供商或分布式系统环境经验者优先。
- 熟悉 ITIL/OSS 实践以及 SLO/SLA 者优先。
- 具备较强的问题解决能力并愿意学习新技术者优先。
- 具备 AWS、GCP 或 Azure 等云平台经验者优先。
福利待遇
- 家庭医疗保险,包含牙科和视力保障。
- 具有竞争力的薪酬和 401(k) 计划。
- 全职员工可获得 RSU 授予。
- 员工股票购买计划。
- 灵活的休假政策。
- 产假和陪产假。
- 提供 MacBook Pro,并提供充足津贴用于个性化配置工作站。
- 为人类子女提供托儿补贴。
- 生育治疗及相关支持。
- 学习与发展计划。
- 通勤福利。
- 支持工作与生活平衡的文化。



