可靠性工程师 - 云系统
通过构建具有韧性、可观测性和自动化能力的云系统，为美国空军 Cloud One 提供支持。负责管理服务目标、事件响应、灾难恢复和合规准备工作。
描述
- 在云环境和混合环境中构建并运营高可用、容错系统
- 制定、衡量并传达服务级指标、服务级目标和错误预算
- 评估可靠性风险，并在整个系统生命周期内实施缓解措施
- 进行容量规划并建立性能模型
- 部署和管理监控、日志记录及分布式追踪平台
- 设定有意义的告警阈值，并评估可靠性指标和趋势
- 参与值班轮换并指挥生产事件响应
- 与开发、基础设施和安全团队开展跨职能故障排查
- 组织事件后分析，并制定纠正和预防措施
- 监控重复发生的事件，并推动问题完成根因解决
- 自动化运营工作，创建能够提升可靠性并缩短平均恢复时间的脚本、工具和服务
- 在架构和设计评审中纳入可靠性、韧性和可恢复性考量
- 验证灾难恢复和业务连续性流程，包括故障转移测试
- 协助开展混沌工程、故障注入和韧性测试
- 与 DevOps、平台和安全团队协作
- 维护可靠性标准、运行手册和运营文档
- 参与涵盖 FedRAMP、FISMA 及内部运营控制的合规与审计工作
任职要求
- 学士学位及至少八年工作经验，或硕士学位及至少六年工作经验；其他工作经验可替代学历要求
- 入职时必须持有有效的 Secret 级别安全许可
- 必须是美国公民
- 具备 AWS、Azure、OCI 或 GCP 等云平台经验，包括托管服务
- 具备 Docker 和 Kubernetes 等容器平台运营经验
- 熟悉 CI/CD 流水线和部署自动化
- 具备定义和使用服务级目标及错误预算的经验
- 具备容量建模和性能测试经验
- 深入了解分布式系统和高可用架构
- 深入了解 Linux 和 Windows 系统管理
- 深入了解网络基础知识，包括 DNS、TCP/IP 和负载均衡
- 具备 Prometheus、Grafana、ELK/Elastic、Datadog 或 Azure Monitor 等监控和可观测性工具的实践经验
- 具备使用 Terraform、ARM 或 CloudFormation 实施基础设施即代码的实践经验
- 具备使用 Python、Bash、Go、PowerShell 或同类语言进行脚本编写或编程的实践经验
- 具备事件管理和值班运营经验
- 优先考虑：具备美国空军 Cloud One 或 Platform 1 经验
- 优先考虑：具备零信任架构经验
- 优先考虑：持有 AWS、Azure、Google 或 Oracle 云认证
福利待遇
- 医疗保险
- 牙科保险
- 视力保险
- 意外身故及伤残保险
- 短期伤残保险
- 长期伤残保险
- 公司支付的人寿保险
- 提供雇主缴款的 401(k) 退休储蓄计划
- 带薪休假
- 宠物保险
