- Страна
- Россия
- Зарплата
- от 220 000 ₽
Главный SRE/DevOps-инженер (Senior / Senior+)
Оценка ИИСильная вакансия для опытных инженеров с фокусом на современные технологии хранения данных и Big Data. Четко прописанные требования и стек, однако зарплатная вилка указана только от нижней границы, что требует уточнения на интервью.
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 ИИПозиция требует экспертных знаний в узких областях: распределенные системы хранения (S3/Object Storage) и стек Big Data (Spark, Iceberg, Flink). Уровень Senior+ подразумевает не только техническое мастерство, но и глубокое понимание SRE-практик для проведения сложного troubleshooting.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИУказанная зарплата 'от 220 000 руб.' находится на нижней границе рыночного диапазона для уровня Senior/Senior+ SRE в Москве, где медиана составляет около 350 000 - 400 000 руб. Однако, приставка 'от' предполагает возможность обсуждения значительно более высоких цифр в зависимости от квалификации.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Публикатор: Виктория Сысоева
Обсуждение: @devops_jobs
#вакансия #SRE #DevOps #SeniorDevOps #S3 #ObjectStorage #MinIO #ApacheSpark #itjobs
Ищем Главного SRE/DevOps-инженера (Senior / Senior+)
Часовой пояс: строго МСК
ЗП: от 220.000
Локация: РФ
ВАЖНО:
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.
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.
Требования:
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.
Отклик: Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- S3
- Object Storage
- MinIO
- Kubernetes
- Apache Spark
- Airflow
- Apache Flink
- Apache Kafka
- Apache Iceberg
- Linux
- Ansible
- Terraform
- Bash
- Python
- Prometheus
- Grafana
Возможные вопросы на собеседовании
Проверка фундаментальных знаний архитектуры распределенных хранилищ.
Расскажите о принципах работы Erasure Coding в контексте S3-хранилищ. В каких случаях он предпочтительнее репликации?
Оценка навыков траблшутинга в высоконагруженных средах.
С какими типичными проблемами производительности вы сталкивались при эксплуатации MinIO в Kubernetes и как их диагностировали?
Проверка опыта работы с Data Lake компонентами.
Как обеспечить высокую доступность и отказоустойчивость для Apache Spark и Airflow в рамках K8s кластера?
Оценка понимания SRE-методологии.
Опишите ваш процесс проведения Postmortem после критического инцидента в системе хранения данных. Какие метрики вы считаете ключевыми?
Проверка навыков оптимизации ресурсов.
Как вы подходите к мониторингу и отладке Disk I/O latency и сетевых задержек в распределенной системе?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
