Site Reliability Engineer

Stellenbeschreibung: Site Reliability Engineer

Aufgaben

• Sicherstellung der Zuverlässigkeit und Leistung von kritischen Systemen auf globaler Infrastruktur durch proaktive Überwachung und schnelle Incident-Reaktion.
• Entwurf und Implementierung von Observability-Lösungen mit Tools wie Prometheus, Datadog, ELK und Loki für sinnvolle und schnelle Incident-Reaktion.
• Entwicklung und Wartung von SLI/SLOs zur Steuerung von Zuverlässigkeitsverbesserungen und zur Information von Ingenieur-Prioritäten.
• Automatisierung von betrieblichen Aufgaben und Aufbau von Self-Service-Fähigkeiten zur Beseitigung von Toil und zur Verbesserung der Effizienz.
• Teilnahme an Post-Mortem-Analysen, blameless Post-Mortems und Implementierung von vorbeugenden Maßnahmen zur Vermeidung von wiederholten Problemen.
• Zusammenarbeit mit Entwicklungsteams zur Verbesserung von Systemdesign, Deployment-Praktiken und betrieblicher Exzellenz.
• Konfiguration und Rollout von groß angelegten Infrastrukturen und hochleistungsfähigen verteilten Systemen.
• Beitrag zur Kapazitätsplanung und Leistungsbudgetierung, um sicherzustellen, dass Systeme den Geschäftsanforderungen entsprechen.
• Verwaltung von mehreren ELK-Clustern, die Hunderte von Terabyte Log-, Telemetry- und APM-Daten hosten.

Anforderungen

• Starkes Verständnis von SRE-Prinzipien, einschließlich SLIs, SLOs, Fehlerbudgets und Zuverlässigkeitstestpraktiken.
• Starker Hintergrund in Softwareentwicklung und -betrieb, mit Kenntnissen in Python, Java oder ähnlichen Programmiersprachen (Java/Scala, Terraform und Skript-/Programmiersprachen (Python, Php, Perl/Csh)).
• Starke Troubleshooting- und Debugging-Fähigkeiten bei verteilten Systemen, mit der Fähigkeit, komplexe Produktionsprobleme unter Druck zu diagnostizieren.
• Expertise in Incident-Management, On-Call-Rotationen und Post-Incident-Reviews.
• Vertrautheit mit Kubernetes und Container-Orchestrierung.
• Proaktive Denkweise und Fähigkeit, Verantwortung für Zuverlässigkeitsinitiativen zu übernehmen.
• Erfahrung mit SRE/DevOps-Tools und -Praktiken (z.B. PagerDuty, OpsGenie, ELK, Log oder ähnlich).
• Verwaltung von Linux- und Windows-Systemen und Erfahrung mit Cloud-Technologien (AWS/Azure).
• Verständnis von Netzwerkkonzepten, Lastbalancierung und verteilten Architekturen.
• Kenntnisse von ALM/CMMI-Prinzipien; Wunsch, die tatsächlichen Kosten von Entscheidungen zu verstehen.
• Nachgewiesene Erfolgsbilanz in Kommunikations- und Kollaborationsfähigkeiten.

Wir bieten

• Moderne Bürofläche im OFCOM-Campus mit einfachem Zugang zu Verkehr und Einrichtungen.
• Hybrides Arbeitsmodell.
• Wettbewerbsfähiges Gehalt und Leistungspaket.
• 25 Tage Urlaubsgeld.
• Prämien-Krankenversicherung.
• Unternehmensangepasstes Pensionsprogramm.
• Geistesbonus.
• Zusätzliche freie Tage für lange Dienstzeit und Freiwilligenarbeit.
• Angestelltenkarte.
• Möglichkeiten zur beruflichen Weiterentwicklung, einschließlich interner Tech-Talks.
• Vertrauen, Affinität und Engagement mit der Man Group-Community.