网站可靠性工程师，可靠性/数据库

网站可靠性工程师（SRE）负责确保所有面向用户服务及其他GitLab生产系统平稳运行。SRE是务实的操作员和软件工匠的结合体，他们将健全的工程原则、运营纪律以及成熟的自动化应用到我们的环境和GitLab代码库中。我们专注于系统，无论是网络、Linux内核，还是对扩展、算法或分布式系统的特定兴趣。
数据库可靠性团队的使命是构建、运行并拥有GitLab.com的PostgreSQL数据库引擎的整个生命周期。该团队专注于拥有数据库引擎及其支持服务的可靠性、可扩展性、性能和安全性。团队应该寻求在适当的情况下，基于可靠性::基础服务和云供应商管理的产品之上构建他们的服务，以减少复杂性，提高效率，并更快地交付新功能。
GitLab.com是一个独特的网站，它带来了独特的挑战——它是存在的最大的GitLab实例。事实上，它是互联网上最大的单租户开源SaaS站点之一。我们团队的经验反馈到公司内的其他工程团队，以及运行自托管安装的GitLab客户。
职责

 
自动化每个操作任务是这个角色的核心要求。例如，软件包更新、跨所有环境的配置更改、创建用于自动配置面向用户服务的工具等。
 
响应平台紧急情况、警报和来自客户支持的升级。
 
确保存在系统以最小化手动工作管理软件生命周期（例如操作系统）。
 
基于现有的SaaS系统，开发一个完全自动化的多环境可观测性栈，并将其扩展到基于使用模式预测容量需求。
 
计划新服务推出、现有服务的扩展和容量管理，并与用户合作优化他们的资源消耗。

作为SRE，你将：

 
在SRE团队内负责GitLab.com的数据库可靠性和性能方面，并与产品团队合作提供解决方案。
 
分析解决方案并为我们的主要PostgreSQL数据库集群及其组件实施最佳实践。
 
致力于相关数据库指标的可观测性，并确保我们达到数据库目标。
 
与同行SRE合作，将更改推送到我们的生产环境，并帮助缓解与数据库相关的生产事件。
 
与团队轮班提供OnCall支持。
 
向工程团队提供数据库专业知识（例如通过审查数据库迁移、查询和性能优化）。
 
致力于数据库基础设施的自动化，并提供自助服务工具，帮助工程成功。
 
首先使用GitLab产品运行GitLab.com，并尽可能改进产品。
 
计划GitLab数据库基础设施的增长。
 
设计、构建和维护核心数据库基础设施组件，使GitLab能够扩展以支持数十万并发用户。
 
支持和调试服务和堆栈层次结构中的数据库生产问题。
 
确保监控和警报对症状而非停机进行警报。
 
记录每一个行动，以便你的学习转化为可重复的行动，然后变成自动化。

如果你适合这个角色：

 
在大型生产环境中有丰富的PostgreSQL运行经验，并扎实理解PostgreSQL的内部结构。
 
在基础设施自动化和配置管理（Chef、Ansible、Puppet、Terraform等）方面有丰富经验。
 
扎实理解SQL和PL/pgSQL。
 
在大型SaaS分布式系统生产环境中有显著的工作经验。
 
分享我们的价值观，并按照这些价值观工作。
 
具有出色的书面和口头英语沟通能力，渴望协作和异步沟通。
 
有记录所有事物的冲动，这样你就不需要重复学习同样的东西，并且渴望快速交付和快速迭代。
 
具有积极主动、主动出击的态度。当你看到某些东西坏了，你不禁想要修理它。
 
强大的数据建模和数据结构设计技能。
 
加分项：作为（前）后端工程师拥有强大的编程技能——最好是Ruby和/或Go。

你可能参与的项目：

 
审查、分析并实施有关数据库管理（例如备份、性能调整）的解决方案。
 
使用Terraform、Chef和其他工具构建成熟的自动化（自动设置新副本或测试和监控备份）。
 
使用GitLab ChatOps为我们的工程师实施自助服务工具。
 
向其他团队提供数据库和数据库相关应用设计方法、系统资源、应用调整的技术支持。
 
审查工程团队的数据库相关更改（例如数据库迁移）。
 
推荐查询和架构更改，以优化数据库查询的性能。
 
参与生产事件，以缓解GitLab.com上的数据库相关问题。
 
积极参与基础设施设计和可扩展性考虑，重点关注数据存储方面。
 
确保我们知道如何采取下一步来扩展数据库。
 
设计和制定未来数据库需求的规范，包括增强、升级和容量规划；评估替代方案；并提出适当的建议。

高级网站可靠性工程师标准
技术：

 
在2个专业领域有深入的知识，并对所有专业领域有一般性了解。能够辅导初级在所有领域和其他SRE在他们深入知识领域的其他SRE。
 
为解决GitLab代码库中的问题而贡献小的改进。

执行：

 
确定可导致大量成本节约或收入的重要项目。
 
从可靠性、性能和可用性的角度，以数据驱动的方式识别产品架构的变更。
 
主动提高效率和容量规划，明确要求，减少系统资源使用，使GitLab对所有客户来说更便宜。
 
确定不具扩展性的系统部分，提供立即的缓解措施，并推动这些事件的长期解决。
 
确定将团队与可用性和延迟目标对齐的服务级指标（SLIs）。

协作和沟通：

 
真正了解一个领域，并将该知识传播出去。
 
积极地进行无指责的根本原因分析（RCA），对事件和中断进行深入调查，以防止事件再次发生。

影响力和成熟度：

 
通过树立榜样来领导生产SRE和初级生产SRE。
 
对基础设施的主要部分拥有所有权。
 
被信任以平息团队内的冲突。

绩效指标
网站可靠性工程师有以下工作族绩效指标：

 
GitLab.com 可用性