Site Reliability Engineer (SRE) Pleno

Objetivo da posição

Atuar na sustentação, administração, observabilidade e evolução dos ambientes de infraestrutura e aplicações, garantindo disponibilidade, estabilidade, segurança e desempenho dos serviços.

O profissional será responsável principalmente pela administração dos ambientes AWS, Kubernetes, soluções de backup Veeam/AWS e observabilidade através do Datadog, atuando também na análise e resolução de incidentes.

Principais responsabilidades

Administração de Recursos AWS

• Administrar e acompanhar recursos e serviços hospedados na AWS.

• Realizar troubleshooting de infraestrutura, conectividade, disponibilidade e performance.

• Acompanhar utilização e capacidade dos recursos.

• Apoiar provisionamento, configuração e manutenção dos ambientes.

• Administrar recursos como EC2, EBS, S3, IAM, VPC, Load Balancers, Route 53 e demais serviços utilizados pela organização.

• Analisar eventos, logs e métricas através de CloudWatch e CloudTrail.

• Apoiar aplicação de boas práticas de segurança, disponibilidade e controle de acesso.

• Participar da análise e otimização de custos e recursos AWS.

• Apoiar processos de atualização, manutenção e mudanças de infraestrutura.

Administração de Backup Veeam e AWS

• Administrar e monitorar rotinas de backup através do Veeam e serviços AWS.

• Acompanhar execução, sucesso e falhas dos jobs de backup.

• Investigar e corrigir falhas relacionadas às rotinas de backup.

• Executar e acompanhar procedimentos de restore quando necessário.

• Realizar testes periódicos de recuperação para garantir a integridade dos backups.

• Apoiar políticas de retenção, armazenamento e ciclo de vida dos backups.

• Acompanhar capacidade e utilização dos repositórios de backup.

• Apoiar procedimentos relacionados a Disaster Recovery e continuidade de negócio.

• Manter documentação e evidências das rotinas e testes de recuperação.

Administração de Clusters Kubernetes

• Administrar e monitorar clusters Kubernetes.

• Acompanhar Pods, Deployments, StatefulSets, DaemonSets, Services, Ingress, ConfigMaps e Secrets.

• Realizar troubleshooting de aplicações e workloads executados nos clusters.

• Analisar eventos, logs, probes, consumo de CPU/memória e comportamento dos Pods.

• Investigar problemas como CrashLoopBackOff, ImagePullBackOff, OOMKilled, falhas de probes e indisponibilidade de aplicações.

• Apoiar atualização e manutenção dos clusters e seus componentes.

• Administrar namespaces, permissões e recursos dos ambientes.

• Apoiar configurações de escalabilidade, requests, limits e autoscaling.

• Trabalhar em conjunto com os times de desenvolvimento na análise de problemas das aplicações.

• Apoiar processos de deploy e operação de aplicações utilizando práticas de CI/CD e GitOps.

Administração de Observabilidade e Datadog

• Administrar e manter dashboards no Datadog.

• Criar e evoluir dashboards técnicos e operacionais.

• Criar e ajustar monitors e alertas.

• Acompanhar métricas de infraestrutura e aplicações.

• Realizar análise de logs, métricas e traces para troubleshooting.

• Utilizar recursos de APM para identificação de gargalos e falhas de aplicações.

• Acompanhar indicadores de disponibilidade, latência, erros e saturação.

• Apoiar definição e acompanhamento de SLIs e SLOs.

• Revisar alertas buscando redução de falsos positivos e melhoria da qualidade da monitoração.

• Apoiar times técnicos durante incidentes utilizando dados de observabilidade para identificação da causa raiz.

Atuação operacional

O profissional também deverá:

• Atuar no atendimento e resolução de incidentes de infraestrutura e aplicações.

• Realizar troubleshooting de problemas de média complexidade.

• Participar de análises de causa raiz (RCA).

• Registrar procedimentos, incidentes e soluções em documentação técnica.

• Executar mudanças seguindo os processos internos de Change Management.

• Trabalhar em conjunto com os times de SRE, Infraestrutura, Redes, Segurança, Banco de Dados e Desenvolvimento.

• Apoiar automações para redução de atividades operacionais manuais.

• Participar da evolução contínua dos ambientes e processos de confiabilidade.

Conhecimentos técnicos desejados

• AWS.

• Kubernetes.

• Veeam Backup & Replication.

• Datadog.

• Linux.

• Redes TCP/IP, DNS, HTTP/HTTPS e troubleshooting de conectividade.

• Conceitos de containers e Docker.

• Git.

• CI/CD.

• Shell Script e/ou Python.

• Terraform ou outra ferramenta de Infrastructure as Code.

• Conceitos de observabilidade: métricas, logs e traces.

• Conceitos de alta disponibilidade, backup e Disaster Recovery.

• Conhecimentos básicos de segurança em ambientes Cloud.

Perfil esperado

Buscamos um profissional de nível pleno, com autonomia para executar atividades operacionais e troubleshooting de média complexidade, capacidade de análise de incidentes e interesse em automação e melhoria contínua.

É importante possuir boa comunicação, organização, senso de responsabilidade sobre ambientes produtivos e capacidade de trabalhar de forma integrada com diferentes times técnicos.