字节跳动SRE高级工程师-Data

1、推进优化基础服务的响应延迟、性能问题，提升服务稳定性； 2、负责各种基础系统搭建和维护（DNS、LDAP等）； 3、开发自动化运维平台，提高运维、开发协作效率，规范操作流程； 4、优化各种系统，减少重复性工作； 5、负责公司基础监控、报警系统开发与维护。

职位概述： 我们正在寻找一位对系统稳定性和高可用性有着极致追求的高级运维工程师。您将成为我们电商及资讯平台基础设施的“守护者”，核心职责是确保生产环境7x24小时高可用，并高效管理从故障发现到恢复的全生命周期。您需要具备深厚的技术功底、冷静的应急心态和强大的复盘能力，通过自动化、流程化和系统化的方法，不断提升我们系统的韧性与可观测性，为亿万用户的顺畅体验保驾护航。 核心职责： 1. 系统高可用性保障： o 负责公司核心业务（电商、资讯）生产环境及基础设施（服务器、网络、数据库、中间件等）的稳定运行，确保服务SLA达到或超过既定目标（如99.99%）。 o 设计、实施和维护高可用和容灾架构，包括同城双活、异地灾备等方案的落地与演练。 2. 监控与应急响应： o 主导建设和优化集中式监控、日志分析与告警系统（如Prometheus/Grafana, ELK, Zabbix, Datadog等），确保能提前预警、快速发现问题。 o 作为主要事故处理指挥官（Incident Commander），负责7x24小时应急响应，领导并协调相关团队对线上事故进行快速定位、止损和恢复，最大限度降低影响。 3. 事故全生命周期管理： o 严格遵循ITIL等最佳实践，管理事故（Incident）和处理工单（Ticket）。 o 主导重大事故复盘（Post-mortem），编写详尽的复盘报告，深入分析根因，并推动落实改进措施（如代码修复、流程优化、架构调整等），避免同类问题重复发生。 4. 运维自动化与效率提升： o 通过编写脚本（Shell/Python/Go等）和利用自动化工具（Ansible/Terraform等），自动化日常运维操作和故障处理流程，提升效率，减少人为失误。 o 践行SRE（Site Reliability Engineering）理念，通过代码管理基础设施（IaC）。 5. 容量规划与性能优化： o 定期进行系统容量评估和规划，确保系统有能力应对业务增长和突发流量（如大促活动）。 o 分析系统性能瓶颈，协同开发团队进行调优，提升系统效率和资源利用率。 6. 系统组件的安全升级及维护： o 常规维护能力：具备使用安全扫描工具进行安全漏洞扫描额能力。 能全程跟进系统组件安全管理，做好版本监控、漏洞扫描与风险评估，按计划升级部署补丁、更新配置，快速应对突发安全事件，降低业务受影响程度。 o 借助工具强化能力：熟练使用安全卫士等工具，将其融入维护流程。实现自动化漏洞检测与修复建议输出，实时监控异常与潜在威胁并预警阻断，利用日志分析优化安全策略，构建闭环安全管理体系。

1、负责Sdwan网络的日常运维、监控和故障排除，及时响应并解决网络故障和性能问题； 2、构建和维护Sdwan网络的监控和告警系统，实现对网络状态的全面监控和预警； 3、开发和维护自动化运维工具和脚本，提高运维效率，减少人为错误，并负责编写和维护Sdwan网络相关的文档和知识库； 4、参与容量规划和性能测试，确保Sd-wan网络能够满足业务需求。

1、Site Reliability Engineer (SRE) 结合了软件和系统工程，致力于打造高扩展、高可用的分布式系统； 2、保障大数据/计算/云原生/分布式存储等多个核心系统的可靠性与正常运行，同时关注系统成本与稳定性； 3、为大型系统构建自动化运营解决方案；与系统开发团队合作，从系统设计到上线的整个生命周期内保障系统可靠性； 4、通过监控系统组件可用性、性能指标提升系统可见性，帮助系统开发以及团队快速定位故障； 5、推动提升服务的可靠性、可扩展性以及成本、性能优化，保障系统SLA；参与设计、实现能够保障线上大规模集群快速迭代的自动化平台； 6、基于业务使用场景，深入优化提供最佳服务治理实践，包含不局限于关键链路性能瓶颈分析、业务问题定位排障、推进系统高可用架构改造升级等。