- Страна
- Россия
Главный DevOps-инженер (Data Lake)
Оценка ИИПозиция в крупном банке с современным стеком технологий (Big Data, S3, K8s) и удаленным форматом работы. Высокий уровень ответственности и интересные инженерные задачи компенсируют строгие требования к гражданству и локации.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИРоль требует экспертного уровня владения специфическим стеком Data Lake и глубоких знаний архитектуры распределенных хранилищ. Высокая ответственность за высоконагруженные банковские системы и необходимость проведения сложного RCA повышают порог входа.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИВ объявлении не указана фиксированная сумма, требуется предложение ставки от кандидата. Для позиции уровня Lead/Principal DevOps в банковском секторе РФ рыночные вилки обычно начинаются от 400 000 руб. gross.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Контакты для отклика
Откройте контакты, указанные в вакансии.
Описание вакансии
Главный DevOps-инженер
*❗️*При подаче кандидата обязательно укажите:
желаемую ставку (руб./час, с учетом НДС);
текущую gross-зарплату специалиста.
Гражданство: РФ
Локация: РФ
Формат работы: удаленка (строго по времени Мск)
Проект: Банк *🚩*
Требования:
Все требования должны быть отражены в резюме
• Критичные требования: глубокое понимание S3/Object Storage и distributed storage architecture;
опыт сопровождения Kubernetes-платформ;
практический опыт эксплуатации компонентов Data Lake: Apache Spark, Airflow, Flink, Kafka, Apache Iceberg;
опыт эксплуатации MinIO / Object Storage решений
• Экспертный опыт администрирования Linux
• Опыт сопровождения высоконагруженных distributed systems
• Глубокое понимание S3/Object Storage и distributed storage architecture
• Опыт сопровождения Kubernetes-платформ
• Практический опыт эксплуатации компонентов Data Lake: Apache Spark, Airflow, Flink, Kafka, Apache Iceberg
• Опыт эксплуатации MinIO / Object Storage решений
• Понимание replication, erasure coding, consistency, fault tolerance
• Практический опыт troubleshooting: CPU, RAM, network, disk I/O, latency, throughput
• Опыт работы с observability stack: Prometheus, Grafana, alerting, log analysis
• Опыт автоматизации: Ansible, Terraform, Bash, Python
• Понимание incident/problem management и SRE-практик
• Навыки RCA, postmortem analysis и повышения reliability платформ
Задачи:
• Сопровождение и эксплуатация Data Lake платформ
• Поддержка S3/Object Storage инфраструктуры
• Мониторинг, диагностика и устранение инцидентов
• Troubleshooting производительности платформы и storage систем
• Сопровождение Kubernetes и компонентов Data Lake: Apache Spark, Airflow, Flink, Kafka, Apache Iceberg
• Проведение RCA и postmortem analysis
• Автоматизация эксплуатационных задач
• Взаимодействие с командами Data Engineering и инфраструктуры
• Сопровождение Big Data Platform
Откликнуться на запрос: Откликнуться
По вопросам партнерского сотрудничества: Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- S3
- Object Storage
- Kubernetes
- Apache Spark
- Airflow
- Flink
- Kafka
- Apache Iceberg
- MinIO
- Linux
- Ansible
- Terraform
- Python
- Prometheus
- Grafana
- SRE
Возможные вопросы на собеседовании
Вакансия требует глубокого понимания distributed storage architecture.
Расскажите о механизмах Erasure Coding и Replication: в каких сценариях вы выберете тот или иной подход для S3 хранилища?
Критическое требование — опыт с компонентами Data Lake.
С какими типичными проблемами производительности Apache Spark в связке с S3 вы сталкивались и как их решали?
Работа предполагает сопровождение Kubernetes-платформ.
Как вы организуете мониторинг и алертинг для stateful-приложений в Kubernetes, критичных к задержкам дискового ввода-вывода?
Упоминается необходимость проведения RCA и postmortem.
Опишите ваш самый сложный кейс troubleshooting в распределенной системе: как вы локализовали проблему и какие меры приняли для предотвращения рецидива?
Требуется опыт автоматизации инфраструктуры.
Как вы обеспечиваете консистентность конфигураций при использовании Terraform и Ansible в среде с множеством зависимых компонентов Data Lake?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
