Старший инженер мониторинга

О команде

Авито — это тысячи микросервисов и серверов, сложная техническая архитектура и востребованные продукты для пользователей. Работу всей системы обеспечивают метрики, алерты, логи и дашборды. Команда Incident & Problem Management помогает компании повышать стабильность площадки, координирует работу множества отделов при сбоях, а также разрабатывает решения, которые снижают вероятность появления инцидентов и упрощают процесс устранения проблем.

Мы ищем старшего инженера, который будет вести проектные стримы по улучшению систем мониторинга и качества сервисов, выступать наставником для сменных специалистов 24/7 и контролировать соблюдение SLA/SLO.

Вам предстоит:

• вести проектные стримы по развитию мониторинга - от идеи до измеримого результата в метриках;
• повышать качество алертов: внедрять новые, устранять шум, разбирать цепочки на крупных инцидентах;
• держать SLA/SLO команды под контролем и подсвечивать отклонения раньше, чем они становятся проблемой;
• развивать инструменты и документацию мониторинга, чтобы команде работалось быстрее и точнее;
• участвовать в жизни команды: онбордить новичков, проводить технические интервью, вести встречи в отсутствие тимлида.

Мы ждём, что вы:

• работали в мониторинге, SRE или DevOps от 2 лет, включая опыт сменного графика 24/7;
• уверенно знаете Linux: понимаете системные метрики, сеть, процессы, ресурсы CPU/RAM/disk, умеете разбирать production-проблемы на уровне хоста и приложения;
• разбираетесь в системах мониторинга: Zabbix, Prometheus, Grafana, ELK, в том числе пишете и оптимизируете запросы в Graphite и Prometheus;
• понимаете, как функционируют микросервисы в продакшене, и используете Git как базовый инструмент;
• умеете вести стрим: декомпозировать задачи, отвечать за метрики и доводить до результата.

Будет здорово, если вы:

• работали на позиции сеньора или лида, а также занимались наставничеством или адаптацией инженеров;
• снижали уровень alert noise, false positive алертов и улучшали качества мониторинга;
• участвовали в postmortem/RCA и улучшении процессов после инцидентов;
• умеете автоматизировать рутину на Python, Go, Bash или другом языке;
• имеете опыт работы с Kubernetes, контейнерами, Service Discovery и Tracing;
• строили дашборды и метрики для оценки качества реагирования на инциденты: MTTA, MTTD, FRT, SLA/SLO.

Работа у нас — это:

• возможность реализовать свои идеи в проекте с многомиллионной аудиторией;
• талантливая команда, готовая поддержать ваши инициативы;
• мощное железо, дополнительные мониторы и всё, что нужно для продуктивной работы;
• прозрачная система премий, достойная зарплата — размер обсудим на собеседовании;
• личный бюджет на обучение, который можно тратить на книги, курсы и конференции;
• забота о здоровье: с первого дня у вас будет ДМС со стоматологией, в офисе принимают терапевт и массажист.