04.08.2026 aktualisiert


Premiumkunde
80 % teilweise verfügbarEmbedded Principal+ Engineer | Kubernetes seit 2014 | Cloud, Security & Identity | 12M+ Logins/Tag
Wentorf, Deutschland
Weltweit
Diplom InformatikerÜber mich
Hands-on Principal Engineer, der am liebsten mitten im Team baut und es dabei fachlich hebt – Pairing, Reviews, Enablement. 40 Jahre, vom CPU-Register bis zur Cloud. Kubernetes seit 2014, eigene Operators/CRDs. Zero-Trust-Identity: 12 Mio+ Logins/Tag, 900+ Banken. OSS: github.com/macstab
Skills
Argo CDGitOpsZero TrustFlutterSAP CloudJavaJavaScriptAPIsAmazon Elastic Compute CloudMicrosoft AzureBig DataC#C++UbuntuCentOS
- Java und Spring: Kontinuierliche Nutzung seit 1996 Java / Spring 2005+ in diversen Projekten.
- AI: Seit 2016 – (Autonome) Modele, Integration, Optimierung, Training, Overlays, Neural Networks
- Cloud-Technologien: Umfassende Erfahrung in Google Cloud, OpenShift, Amazon AWS, Microsoft Azure.
- Kubernetes: Extrem hohes Know-how seit 2014, inklusive Istio und GitOps (ArgoCD).
- Microservices: Langjährige Projekterfahrung im Bereich der Cloud & Microservices-Architektur.
- Datenbanken: 19 Jahre Projekterfahrung mit RDBMS (Oracle, PostgreSQL, etc.) und dokumentenorientierten Datenbanken (MongoDB, OrientDB).
- Framework-Vielfalt: Umfangreiche Erfahrung mit verschiedenen Java-Frameworks (Spring, Quarkus, Hibernate, Dropwizard, etc.).
- Web-Technologien: Erfahrung mit HTML, JavaScript, CSS, sowie Frameworks wie Angular, Vue.js, React (einschließlich TypeScript), Material UI, Storybook, Stencil
- Native Apps / Cross Plattform: React Native, Flutter, Xamarin
- Cloud-Events und Messaging: Tägliche Nutzung und Entwicklung im Bereich Pub/Sub, Kafka, JMS und CloudEvents.
- OIDC/OAuth: Umfassende Erfahrung im Web-Authentication-Umfeld mit verschiedenen Anbietern wie Keycloak und Integration von OIDC/OAuth2, Flows, Token, Verschlüsselung und Customizing
- DevOps-Tools: Regelmäßige Verwendung und Integration von Build-Systemen wie Gradle, Maven, Ant, sowie Erfahrung und Nutzung mit DevOps-Tools wie GitHub, GitLab, Jira, Bamboo, Tekton.
- Sprachen und Plattformen: Langjährige Erfahrung mit C/C++, C#, Go, sowie iOS, Android und verschiedenen Unix-basierten Systemen.
- AI und Machine Learning: Implementierung von AI-Anwendungen mit TensorFlow, Torch, DL4J, Weka & MOA, und AWS AI, Modelen, Nutzung und Einbindung in Applikationen
- SAP: Erfahrung im SAP R/3 Umfeld inklusive Web, BAPI und JCO Anbindung.
- Virtualisierung: Kenntnisse in verschiedenen Virtualisierungsplattformen wie Kubernetes, Docker, VMware/ESX, Vagrant, QEMU, HyperV etc.
- Agiles Arbeiten: Erfahrung in SCRUM/KANBAN-Projekten mit verschiedenen Tools.
- Architektur und Planung: Umfangreiches praktisches Wissen in der Architektur, Planung, Durchführung und Qualitätssicherung von Projekten.
- Sprachen: Deutsch (Muttersprache), Englisch (Arbeitssprache), Russisch.
Übersicht der technischen Skills:
.Net, 4G, API, Active Directory, agiler Methoden, Akka, Amazon AWS, Android, Angular2, Angular4, Angular, AngularJS, Angular JS, Ansible, ActiveMQ, Kafka, Maven, Tomcat, Yarn, iOS, MacOS, Assembler, Authentifizierung, Autoscaling, Azure Ad, Backend, BAPI, SAP Bapi, Bash, Big-Data, große Datenmengen, C#, C/C++, C++, CSS, Centos, Cloud-Technologien, Cloud, Hybrid-Cloud, Confluence, kontinuierliche Integration, Continuous Integration, CoreOS, Cucumber, Dateien, Datenbanken, Datenbank, Datenbankreplikation, DevOps, Docker, Docker Swarm, Dom, Drools, Dropwizard, eBusiness, ETL, Eclipse, Enterprise Service Bus, XML, XML-Feeds, Failover, FastAPI, Fidelio, Flutter, Frontend, Gatling, Gauge, Geschäftslogik, Git, GitHub, GitLab, Google Cloud, Gradle, Grafana, Grails, Groovy, HTML, Hazelcast, Hibernate, HTML5, HyperV, IT Infrastruktur, InterShop, Ionic, Mobile-Apps, mobile App, Istio, JEE, Jasper Reports, JasperReports, Java, Java8, Java Connector, JMX, JMS, JPA, JavaScript, Jest, JSF, JSP, JaxB, Jenkins, Jira, JSON, Kerberos, Kibana, Kotlin, Kubernetes, K8s, Kundendaten, AI, Neural Networks, LDAP, Leistungstests, Linux, MVC, Machine Learning, Markdown, Material UI, Microservices, Microsoft Azure, Azure, Azure Cloud, Commerce Server, Windows, Windows Mobile, Entwicklung von Apps, MongoDB, Mongo, Multicast, NextJS, Nexus, Nginx, NodeJs, OAuth, OAuth2, Odoo, OpenAPI, OIDC, OpenLdap, OpenShift, Oracle, plsql, PL SQL, PERL, PostgreSQL, Prometheus, Protel, Puppeteer, Python, Python 3, Pytorch, QEMU, React Native, React, ReactJS, RHEL, RDBMS, RESTful APIs, Restful, Role-Based Access Control, RBAC, SAP, SAP R/3, SAP/R3, SOAP, SQL, SAP S/4 Hana, HANA, SCRUM, Selenium, Serialisierung, Smart TV, Smart-TV, Softwareplattform, Solaris, SonarQube, Spring Cloud, Spring, Spring Boot, SpringBoot, Azure SQL, Stored Procedures, Streaming, Tabellen, TensorFlow, Terraform, TypeScript, UML, Unix, Ubuntu, Unit-Tests, Unreal Engine, Vaadin, Vagrant, Vault, Virtualisierung, Virtualisierungsumgebung, virtuellen Maschinen, VMware, Vue.js, VueJS, WLAN, Web-App, webbasierte, Webserver, Weka, JBOSS, Wildfly, XSLT, Xamarin, XMLSpy, Yaml
Erfahrung
Berufserfahrungmehr als 10 Jahre
Freelancer seit1997
Sprachen
DeutschMutterspracheEnglischverhandlungssicherRussischgut
Projekthistorie
In meinem Team bin ich für die digitale Transformation bei unserem Kunden verantwortlich. Dabei liegt mein Fokus einerseits auf der Automatisierung von Prozessen in den Backendsystemen mittels cloudbasierter Anwendungen in Kubernetes, die eine Drools Rules Engine nutzen. Zudem arbeite ich an der vollständigen Migration des bestehenden Stacks auf die Kubernetes-Plattform. Als Leitender Entwickler habe ich die Architektur des Projekts in Abstimmung mit anderen Teams entworfen und verschiedene Technologien eingeführt.
Ein neu eingeführtes Prozess-Management-System (BSI CRM) wurde nahtlos in den Kubernetes-basierten Software-Stack integriert, der über eine auf CloudEvent basierende Event-Driven-Architektur eine äußerst stabile und nachvollziehbare Prozessautomatisierung ermöglichte. Das vorhandene Frontend, basierend auf React, wurde über RESTful APIs in den Stack integriert. Dabei wurden bei bestimmten sensiblen Schnittstellen der Prozesse Events mittels Kafka/Service Bus generiert und verarbeitet, um die garantierte Reihenfolge der Nachrichten für jeden Geschäftsvorfall (Gevo) zu gewährleisten. Die Integration erfolgte mithilfe von Graal Polyglot an unserem Kubernetes-Stack.
Externe Systeme wie SAP und andere Kernsysteme waren über eine Abstraktionsschicht (Datenzugriffsschicht) mittels GraphQL für Lesezugriffe zugänglich. Änderungen an den Entitäten der Kernsysteme bezüglich einer Order wurden ebenfalls als Events in den Stack übertragen, und die Daten wurden im zentralen Data-Store (einer relationalen PostgreSQL-/Azure SQL-Datenbank) zusammengeführt. Der Data-Store fungierte als zentraler Service zur Datenspeicherung im Stack, und verschiedene Funktionalitäten und Aktionen wurden als Services implementiert.
Die zentrale Geschäftslogik wurde mithilfe von Drools-Regeln verarbeitet, die als Artefakte in einem Nexus-Repository hinterlegt waren und vom Rules Execution Service geladen und evaluiert werden konnten. Die Geschäftslogik basierte auf den Daten im Data-Store, der basierend auf dem vorherigen und aktuellen Zustand das Change-Set erkannte und entsprechende Aktionen initiierte. Dadurch wurde die Geschäftslogik entkoppelt und konnte separat entwickelt und getestet werden.
Des Weiteren habe ich das gesamte Deployment neu aufgebaut, wobei die kontinuierliche Integration auf GitLab mit einem vollständigen GitFlow basierte. Die Container der Microservices, die auf Spring Boot 3.22 mit Webflux, Retry, Circuitbreaker, Open Telemetry, Spring Cloud Config, Spring Admin, OpenAPI und OIDC basierten, wurden mittels Unit-Tests und isolierten IT-Tests mit Wiremock überprüft, und die Code-Qualität wurde mittels SonarQube, Spotless und PMD validiert. Im Erfolgsfall wurde mittels Jib ein Container für das Branch- und Entwicklungs-Deployment erstellt. Die Spring-Konfiguration wurde in einem sicheren Git-Repository verwaltet, und im Falle eines Merges nach Master wurde mittels Semantic Release ein neuer Container als Java- und GraalVM-Multi-Arch-Binary-Image generiert. Für Entwicklungs- und Branch-Deployments wurden die Upstream-GitOps-Repositories für die Stacks mit den neu erstellten Images aktualisiert. Die versionierten Images aus dem Semantic Release wurden mittels Renovate erkannt und als Pull Requests für die Test-, Release- und Produktionsumgebungen aktualisiert. Nach dem manuellen Merge wurden die GitOps-Deployments direkt über ArgoCD bereitgestellt, wodurch ein kontinuierlicher Bereitstellungsprozess implementiert wurde. Die GitOps-Repositories basierten auf Kustomize mit Remote-Bases, und das Deployment wurde eigenständig über ArgoCD durchgeführt.
Durch die Verwendung von KEDA, Istio, Traefik und Application Gateway wurde der Kubernetes-Stack auf Basis von AKS mit einer vollständigen Implementierung von B2C AD Managed Identities, Autoscaling und Azure Vault zu einer selbstskalierenden Bereitstellung entwickelt. Diese wurde mittels EFK/Grafana überwacht, inklusive der Bereitstellung von Charts/Configs für Grafana/Kibana. Darüber hinaus wurden Kiali/Jaeger zur Analyse der Spannenverteilung im Stack eingeführt, um die Leistung, Verarbeitungsgeschwindigkeit und Prozesse des Stacks zu optimieren.
Abschließend habe ich verschiedene Automatisierungsanbindungen des Kernsystems über den neuen Stack mittels separater Automatisierungsstapel an UI Path angeschlossen, um manuelle Prozesse zu automatisieren. Zum Management des Stacks habe ich diverse Tools per NodeJs und Python zum Monitoren und Management des Stacks geschrieben.
Die gesamte Softwarelösung wurde vorab geplant und dokumentiert. Alle erstellten Software-Komponenten wurden per Markdown und PlantUml dokumentiert.
Eine bestehende Web-App auf Basis von React 18 wurde auf Basis von Typescript gewartet und weiterentwicklet. Dabei wurden Teile der App durch NextJS ersetzt und Storybook eingeführt.
In einem POC habe ich teamorientiertes Model erstellt, welches auf Basis der Team-Repos erstellt wurde. Dabei wurde auf Basis von PolyCoder die Repos gefiltert, bereinigt, tokenized und getrained. Als Ergebnis habe ich basierend auf Python, MLflow, BentoML und FastAPI ein OpenAPI kompatibles Interface bereitgestellt, welches in Azure on demand via Terraform deployed werden kann. So können Teammitglieder nach meinen verlassen context-bezogene Hilfe erhalten.
Technologien: Java(21), Graal VM native, SpringBoot 3.22, Webflux, Micrometer, Feign, Spring Retry, Spring Cloud, Spring Cloud Config, Spring Admin, CircuitBreaker, Open Telemetry, Kubernetes, AKS, Azure Functions, Kafka, Service Bus, Azure Vault, Terraform, Drools, BSI CRM, Polyglot, React, Cloud Events, Restful, PostgreSQL, CosmosDB / MongoDB, Azure SQL, UI Path, Gitlab, ArgoCD, Istio, Traeffik, Kustomize, Keda, Kiali, Jeger, Prometheus, Jib, Spotless, SonarQube, PMD, Semantic Release, NodeJS, Python3, Azure Ad, Oauth2, OPA
Ein neu eingeführtes Prozess-Management-System (BSI CRM) wurde nahtlos in den Kubernetes-basierten Software-Stack integriert, der über eine auf CloudEvent basierende Event-Driven-Architektur eine äußerst stabile und nachvollziehbare Prozessautomatisierung ermöglichte. Das vorhandene Frontend, basierend auf React, wurde über RESTful APIs in den Stack integriert. Dabei wurden bei bestimmten sensiblen Schnittstellen der Prozesse Events mittels Kafka/Service Bus generiert und verarbeitet, um die garantierte Reihenfolge der Nachrichten für jeden Geschäftsvorfall (Gevo) zu gewährleisten. Die Integration erfolgte mithilfe von Graal Polyglot an unserem Kubernetes-Stack.
Externe Systeme wie SAP und andere Kernsysteme waren über eine Abstraktionsschicht (Datenzugriffsschicht) mittels GraphQL für Lesezugriffe zugänglich. Änderungen an den Entitäten der Kernsysteme bezüglich einer Order wurden ebenfalls als Events in den Stack übertragen, und die Daten wurden im zentralen Data-Store (einer relationalen PostgreSQL-/Azure SQL-Datenbank) zusammengeführt. Der Data-Store fungierte als zentraler Service zur Datenspeicherung im Stack, und verschiedene Funktionalitäten und Aktionen wurden als Services implementiert.
Die zentrale Geschäftslogik wurde mithilfe von Drools-Regeln verarbeitet, die als Artefakte in einem Nexus-Repository hinterlegt waren und vom Rules Execution Service geladen und evaluiert werden konnten. Die Geschäftslogik basierte auf den Daten im Data-Store, der basierend auf dem vorherigen und aktuellen Zustand das Change-Set erkannte und entsprechende Aktionen initiierte. Dadurch wurde die Geschäftslogik entkoppelt und konnte separat entwickelt und getestet werden.
Des Weiteren habe ich das gesamte Deployment neu aufgebaut, wobei die kontinuierliche Integration auf GitLab mit einem vollständigen GitFlow basierte. Die Container der Microservices, die auf Spring Boot 3.22 mit Webflux, Retry, Circuitbreaker, Open Telemetry, Spring Cloud Config, Spring Admin, OpenAPI und OIDC basierten, wurden mittels Unit-Tests und isolierten IT-Tests mit Wiremock überprüft, und die Code-Qualität wurde mittels SonarQube, Spotless und PMD validiert. Im Erfolgsfall wurde mittels Jib ein Container für das Branch- und Entwicklungs-Deployment erstellt. Die Spring-Konfiguration wurde in einem sicheren Git-Repository verwaltet, und im Falle eines Merges nach Master wurde mittels Semantic Release ein neuer Container als Java- und GraalVM-Multi-Arch-Binary-Image generiert. Für Entwicklungs- und Branch-Deployments wurden die Upstream-GitOps-Repositories für die Stacks mit den neu erstellten Images aktualisiert. Die versionierten Images aus dem Semantic Release wurden mittels Renovate erkannt und als Pull Requests für die Test-, Release- und Produktionsumgebungen aktualisiert. Nach dem manuellen Merge wurden die GitOps-Deployments direkt über ArgoCD bereitgestellt, wodurch ein kontinuierlicher Bereitstellungsprozess implementiert wurde. Die GitOps-Repositories basierten auf Kustomize mit Remote-Bases, und das Deployment wurde eigenständig über ArgoCD durchgeführt.
Durch die Verwendung von KEDA, Istio, Traefik und Application Gateway wurde der Kubernetes-Stack auf Basis von AKS mit einer vollständigen Implementierung von B2C AD Managed Identities, Autoscaling und Azure Vault zu einer selbstskalierenden Bereitstellung entwickelt. Diese wurde mittels EFK/Grafana überwacht, inklusive der Bereitstellung von Charts/Configs für Grafana/Kibana. Darüber hinaus wurden Kiali/Jaeger zur Analyse der Spannenverteilung im Stack eingeführt, um die Leistung, Verarbeitungsgeschwindigkeit und Prozesse des Stacks zu optimieren.
Abschließend habe ich verschiedene Automatisierungsanbindungen des Kernsystems über den neuen Stack mittels separater Automatisierungsstapel an UI Path angeschlossen, um manuelle Prozesse zu automatisieren. Zum Management des Stacks habe ich diverse Tools per NodeJs und Python zum Monitoren und Management des Stacks geschrieben.
Die gesamte Softwarelösung wurde vorab geplant und dokumentiert. Alle erstellten Software-Komponenten wurden per Markdown und PlantUml dokumentiert.
Eine bestehende Web-App auf Basis von React 18 wurde auf Basis von Typescript gewartet und weiterentwicklet. Dabei wurden Teile der App durch NextJS ersetzt und Storybook eingeführt.
In einem POC habe ich teamorientiertes Model erstellt, welches auf Basis der Team-Repos erstellt wurde. Dabei wurde auf Basis von PolyCoder die Repos gefiltert, bereinigt, tokenized und getrained. Als Ergebnis habe ich basierend auf Python, MLflow, BentoML und FastAPI ein OpenAPI kompatibles Interface bereitgestellt, welches in Azure on demand via Terraform deployed werden kann. So können Teammitglieder nach meinen verlassen context-bezogene Hilfe erhalten.
Technologien: Java(21), Graal VM native, SpringBoot 3.22, Webflux, Micrometer, Feign, Spring Retry, Spring Cloud, Spring Cloud Config, Spring Admin, CircuitBreaker, Open Telemetry, Kubernetes, AKS, Azure Functions, Kafka, Service Bus, Azure Vault, Terraform, Drools, BSI CRM, Polyglot, React, Cloud Events, Restful, PostgreSQL, CosmosDB / MongoDB, Azure SQL, UI Path, Gitlab, ArgoCD, Istio, Traeffik, Kustomize, Keda, Kiali, Jeger, Prometheus, Jib, Spotless, SonarQube, PMD, Semantic Release, NodeJS, Python3, Azure Ad, Oauth2, OPA
* Erstellung und Erweiterung bestehender LLM
* Integration in bestehende Systeme
* Anbindung von AI Systemen und LLM an bestehende Kern-Systeme und Backends
* Entwicklung im Bereich OSS
* Training von spezialisierten Modelen basierend auf LLAMA 1/2/3
* Integration von OpenAI API und Assitants API
* Integration in bestehende Systeme
* Anbindung von AI Systemen und LLM an bestehende Kern-Systeme und Backends
* Entwicklung im Bereich OSS
* Training von spezialisierten Modelen basierend auf LLAMA 1/2/3
* Integration von OpenAI API und Assitants API