现场可靠性工程师（AWS/Kubernetes）—加拿大远程
负责 Rentsync 租赁物业软件在 AWS 和 Kubernetes 上的生产可靠性。主导事件响应、可观测性、自动化、性能测试和基础设施加固。
描述
- 响应各项服务的生产告警和事件，从初步分诊到问题解决
- 诊断并解决 AWS 和 Kubernetes 问题，包括 Pod 失败、资源耗尽、部署故障、网络和 DNS、数据库及缓存问题
- 通过回滚、扩容、重新配置或修补基础设施，及时恢复服务
- 在需要代码变更时，基于明确的诊断结果向开发团队升级问题
- 管理 PagerDuty 和工作时间内的事件响应，同时改善 MTTD 和 MTTR
- 组织无责复盘，并协调后续技术改进
- 自动化运行手册和重复性运维任务，包括借助 AI 进行分诊、调查和修复
- 使用 Prometheus/Mimir、Loki、Tempo、Grafana 和 OpenTelemetry 开发并维护 Kubernetes 及服务可观测性
- 监控生产发布，及时发现延迟、错误和资源消耗方面的回归
- 构建并维护合成监控、冒烟测试、健康检查以及负载或性能测试
- 与工程团队合作解决性能和可靠性问题，并建立 SLO、SLI 和错误预算
- 通过 Terraform、Kubernetes 资源调优、自动扩缩容、CI/CD 控制、密钥管理和 IAM 改进来强化平台
- 及时维护服务文档和架构决策记录
任职要求
- 至少 3 年云工程、DevOps 或 SRE 岗位经验，负责支持生产环境中的 Web 应用
- 具备处理生产事件并直接解决问题的实战经验
- 具备丰富的 AWS 生产环境经验，熟悉 EKS、EC2、RDS、VPC 网络、IAM 和 CloudWatch
- 具备高级生产 Kubernetes 经验，包括工作负载故障排查、调试和监控
- 具备与工程团队共同诊断和解决性能及可靠性问题的经验
- 具备使用 Prometheus、Grafana、Loki、Datadog 或 CloudWatch 等可观测性平台的经验
- 具备使用 PagerDuty 等值班和告警平台的经验
- 具备创建自动化生产可靠性检查的经验，包括合成测试、冒烟测试、健康检查或负载测试
- 愿意在未来加入非工作时间值班轮换
- 具备 Terraform 基础设施即代码和 CI/CD 流水线经验
- 具备扎实的 Linux、网络和容器基础
- 具备 Bash、Python 或类似语言的脚本编写和自动化能力
- 能够在事件期间进行清晰、沉着的沟通，并开展跨团队协作
- 优先考虑具备以下经验的候选人：用于 SRE 的 AI 工具、Azure 或 GCP、多种技术栈、AWS 认证、大规模 LGTM 或 OpenTelemetry、k6、Locust 或 JMeter、MySQL 或 PostgreSQL 运维、Redis 或 Memcached 调优、Cloudflare，以及云成本或容量优化
福利待遇
- 完全远程工作
- 可能优先考虑居住在距离任一办公室合理通勤范围内的候选人
- 平等机会雇主
- 可提供面试便利安排
- 最终面试阶段可能会进行犯罪背景调查