Site Reliability Engineer (m/w/d), Observability und SLO-Praxis, 100 % Remote
Formation Search GmbH
Ansprechpartner: Yengi Hackebeil
Hannover, Deutschland
ITObservabilitySREGitOpsLokiIncident-ManagementZuverlässigkeitstechnikPrometheusDatadogReliability Availability Maintainability And Safety SoftwareSystemverfügbarkeitGrafanaZuverlässigkeit der SystemeKubernetesSplunkNew RelicAWS EKSServicenow
Beschreibung
Eckdaten
- Start: flexibel
- Einsatzort: 100 % Remote
- Sprachen: Deutsch verhandlungssicher, Englisch sicher in Wort und Schrift
- Branche: IT-Dienstleistung, Produktentwicklung
Projektbeschreibung
Für einen großen IT-Dienstleister aus dem DACH-Raum suchen wir einen freiberuflichen Site Reliability Engineer. Das Unternehmen betreibt in der Produktentwicklung eine Container-Plattform, die ausschließlich in der Cloud läuft. Sie umfasst mehr als 60 AWS-Accounts und knapp 50 produktive EKS-Cluster und wird durchgängig über GitOps und Infrastructure as Code verwaltet. Für Observability sind Prometheus, Thanos, Grafana und Loki im Einsatz, dazu DataDog. ITSM läuft über ServiceNow.
Technisch ist die Plattform reif. Was fehlt, ist die SRE-Praxis darüber. Du baust verlässliches Alerting auf, führst belastbare SLIs und SLOs ein und definierst die Prozesse für Incidents und Postmortems. Am Ende übergibst du alles vollständig an das interne Team. Die Plattform selbst baust du nicht neu, du setzt auf dem auf, was schon läuft.
Deine Aufgaben
- SLI/SLO-Katalog für eine gemeinsam festgelegte Auswahl an Services, abgestimmt mit den Anwendungsverantwortlichen
- Alerting-Regelwerk auf Symptomebene als Code im Repository, mit dokumentierter Begründung je Regel
- Dashboards und SLO-Monitore in DataDog
- Eskalations- und Bereitschaftsprozess, verzahnt mit ServiceNow
- Postmortem-Vorlage und -Prozess, mindestens einmal an einem realen Vorfall durchgeführt
- Richtlinien und Runbooks im Git-Repository, auf Englisch und so geschrieben, dass sie ohne Rückfragen funktionieren
- Vollständige Übergabe an das interne Team
Dein Profil
- Eigene Betriebsverantwortung in der Vergangenheit.
- SLI/SLO-Praxis in mindestens zwei unterschiedlichen Organisationen eingeführt
- Nachweisbare Erfahrung darin, Alarmrauschen durch Alerting-Design auf Symptomebene zu reduzieren
- Konzeptionelles Verständnis von Prometheus, Grafana, Loki und Thanos, vor allem Kardinalität, Retention und Kostentreiber
- Arbeitsweise als Code: Regelwerke, Dashboards und Runbooks entstehen bei dir im Git-Repository
- Starke Schreibkompetenz, denn ein großer Teil der Leistung ist Dokumentation
- Solide Grundlagen in Kubernetes und AWS
- Verhandlungssicheres Deutsch für die Prozessarbeit mit dem Betriebsteam und sicheres Englisch für die Dokumentation
Skills (Tags)
SRE, Site Reliability Engineering, SLO, SLI, Alerting, Observability, Prometheus, Thanos, Grafana, Loki, DataDog, Kubernetes, EKS, AWS, GitOps, Infrastructure as Code, ServiceNow, Incident Management, Postmortem, On-Call