Staff Software Engineer, Reliability

Автоматический пересказ вакансии на русском. Полный текст на языке оригинала и форма отклика — на сайте работодателя.

Инженер по надёжности в продуктовую команду Metropolis: отвечает за отказоустойчивость всей платформы, архитектуру failover, observability и incident management при uptime 99.9%+.

Задачи

• Отвечать за общую надёжность платформы Metropolis: практики, метрики и системы для uptime 99.9%+
• Проектировать и внедрять автоматический failover для критичных внешних зависимостей (Twilio, Stripe) с circuit breakers, retry-политиками и degraded mode
• Проектировать active-passive/active-active региональные развёртывания с репликацией БД, автоматическим failover и DNS-маршрутизацией, включая disaster recovery
• Настраивать комплексный мониторинг в Datadog: APM, логи, корреляция метрик
• Внедрять синтетический мониторинг, алертинг на основе SLO, on-call ротации и дашборды здоровья сервисов
• Владеть процессом incident management: workflow, инструменты, post-mortem культура, автоматизация runbook, снижение MTTR
• Продвигать resilience-паттерны: health checks, graceful degradation, feature flags, rate limiting, backpressure, chaos engineering
• Поддерживать локальные зеркала критичных зависимостей: кэширование артефактов, pinning, сканирование уязвимостей

Требования

• 8+ лет инженерного опыта, включая software engineering, reliability engineering, SRE или production operations at scale
• Экспертный уровень в reliability engineering: multi-region архитектуры, автоматизация failover, circuit breakers, chaos engineering, disaster recovery
• Глубокий опыт production observability: мониторинг, алертинг, трейсинг, логирование в высоконагруженных средах, Datadog или аналогичные APM
• Сильное системное мышление: проектирование отказоустойчивых распределённых систем, устойчивых к сбоям, network partitions и отказам внешних зависимостей
• Знание баз данных: стратегии репликации, backup/restore, connection pooling, оптимизация запросов, реляционные и NoSQL БД
• Опыт production-эксплуатации и обеспечения надёжности систем на AWS: multi-region, load balancing, DNS-based failover
• Опыт работы с AI-инструментами разработки (Claude Code, GitHub Copilot или аналоги)
• Отличная техническая коммуникация: влияние на архитектурные решения, документирование сложных систем, post-mortems, стандарты надёжности
• Экспертный уровень Java и/или Scala: производительность JVM, конкурентность, операционные характеристики

Условия

• Базовая зарплата $203,500–$248,500 в год
• Медицинские бенefits, 401(k), short-term и long-term disability, basic life insurance
• Опционы и бонусные планы
• Офисный формат: минимум 4 дня в неделю в офисе

Навыки

• Java
• Scala
• TypeScript
• React
• MySQL
• PostgreSQL
• Snowflake
• AWS
• Datadog
• Git
• GitHub
• GitHub Copilot
• Claude Code
• chaos engineering
• circuit breakers
• disaster recovery
• DNS-based failover
• database replication
• observability
• SLO
• incident management
• JVM