Thrive Market 高级站点可靠性工程师（加州远程）
负责 Thrive Market 电商平台的可靠性工程，制定 SRE 实践、提升可观测性并强化 Kubernetes 运维。\n围绕 AWS 基础设施、事件响应和部署系统开展工作，支持平台可靠增长。
描述
- 为关键平台服务制定并管理 SLO 和 SLI。
- 构建并运维监控、告警和可观测性系统。
- 使用错误预算，在功能交付与可靠性工作之间权衡。
- 主导事件响应，开展无责复盘并解决根本原因。
- 制定并实施混沌工程实践。
- 设计并改进 Kubernetes 容器平台。
- 支持重大基础设施迁移，并评估未来的平台迁移。
- 构建自动化部署流水线，支持功能开关以及回滚或向前修复。
- 负责灾难恢复规划、容量模型和系统加固。
- 帮助产品工程团队扩展 AWS 基础设施并应用 SRE 实践。
- 建立 SRE 职能，包括职责章程、流程和协作模式。
- 推动卓越运营、持续改进以及基于数据的可靠性决策。
- 维护技术文档、运行手册、事件流程和运维指南。
- 参与每周轮值待命。
- 识别系统性工程问题并提出战略改进建议。
任职要求
- 计算机科学学士学位，或具备同等专业经验。
- 至少七年 SRE、DevOps 或基础设施工程实操经验，并有在快速成长型公司提升可靠性的业绩。
- 精通 Kubernetes，包括集群管理、Helm chart、服务网格和生产环境容器编排。
- 具备扎实的系统工程背景和高级 Linux 管理技能。
- 精通 Bash、Python、Go、Ruby 或类似语言的脚本编写与自动化。
- 广泛使用 AWS 服务的经验，例如 EC2、ECS/EKS、S3、VPC、IAM、CloudWatch、Route 53、RDS 和 Lambda。
- 熟练使用 Terraform、CloudFormation 或 Pulumi 等基础设施即代码工具。
- 具备制定并实施生产环境 SLO、SLI 和错误预算的实践经验。
- 深入理解 CI/CD 流水线，以及蓝绿、金丝雀和滚动发布等部署方式。
- 精通 Datadog、Prometheus、Grafana 或 New Relic 等监控与可观测性工具。
- 深入了解 Web 应用基础设施、网络、负载均衡和安全实践。
- 沟通能力出色，包括主导事件响应和主持无责复盘。
- 受雇于 Thrive Market 期间必须一直居住在美国。
福利待遇
- 医疗、牙科、视力、人寿和伤残保险。
- 具有竞争力的薪酬和股权。
- 401(k) 计划。
- 九个公司认可的假日。
- 灵活的带薪休假。
- 补贴 ClassPass 会员，可参加健身课程以及健康和美容体验。
- 可选择在 Playa Vista 办公室工作。
- 免费 Thrive Market 会员资格及员工折扣。
- 通过公司的心理健康与身心福祉平台提供生活教练和心理治疗保障。
- 股票期权。
- 健康与身心福祉福利。