工作总结
我们正在寻找一名站点可靠性工程师（SRE），以确保我们生产系统的可靠性、可扩展性和性能。SRE将与工程、DevOps和产品团队密切合作，构建高可用系统、自动化操作并提高系统可观测性，同时保持服务水平目标（SLO）。
主要职责
可靠性与运营
• 确保生产系统的高可用性、可靠性和性能。
• 定义、监控和管理SLI、SLO和SLA。
• 领导事件响应、根本原因分析（RCA）和事后审查。
• 实施主动监控和警报以防止故障。
自动化与工程
• 使用脚本和基础设施即代码自动化重复的操作任务。
• 通过工程解决方案而非人工干预来提高系统可靠性。
• 通过构建工具、自动化和自愈系统来减少繁琐工作。
云与基础设施
• 在云平台（AWS / Azure / GCP）上设计和管理可扩展的基础设施。
• 使用Docker和Kubernetes管理容器化工作负载。
• 实施和维护CI/CD管道以实现安全和频繁的部署。
监控与可观测性
• 使用以下工具构建和维护可观测性解决方案：
• Prometheus, Grafana
• ELK / OpenSearch
• Datadog, New Relic
• 跟踪系统性能、容量规划和错误预算。
安全与合规
• 确保符合安全标准的可靠性最佳实践。
• 参与值班轮换并确保系统安全运行。
• 与安全团队合作实施安全的基础设施实践。
所需技能与资格
• 计算机科学、工程或相关领域的学士学位。
• 在Linux/Unix系统管理方面有丰富经验。
• 精通至少一种脚本或编程语言：
• Python, Go, Bash, 或 Java
• 有云平台（AWS / Azure / GCP）经验。
• 拥有Kubernetes和容器编排的实际经验。
• 了解网络基础知识（TCP/IP, DNS, 负载均衡）。
• 具有监控、警报和事件管理经验。
优先/加分技能
• 有实施Google SRE原则的SRE最佳实践经验。
• 了解Terraform, Ansible或CloudFormation。
• 有服务网格（Istio, Linkerd）经验。
• 了解混沌工程工具（Gremlin, Chaos Mesh）。
• 在金融科技、银行或高可用系统方面有经验。
