阿里云阿里云智能-管控系统SRE研发专家-北京/杭州

任职要求

• 5 年及以上大型互联网/云计算/分布式系统相关研发或运维工程化经验；
• 深刻理解分布式系统与高可用设计：限流/熔断/隔离/降级/重试/幂等/一致性模型（最终一致、事务补偿）、多副本与复制协议基础；
• 精通一到两门后端/脚本语言（Java/Python/Go/Shell），具备工程化与代码可维护性意识（模块化、可测试性、性能剖析）；
• 有容量规划、性能基准测试、压力预…

工作职责

1、技术方案设计  
• 基于业务关键路径与风控等级，主导可靠性目标体系设计：SLA、SLO、SLI 定义与度量口径固化，建立 Error Budget 机制并推动准入/发布决策闭环；
• 设计统一的可观测性与事件数据模型（日志/指标/链路/事件/变更），输出监控覆盖与告警分级策略；
• 面向容量与资源弹性制定预测与规划方案：峰值建模、容量水位、扩缩容阈值、突增防护。
2、技术实现  
• 将可靠性方案拆解为落地任务：指标接入、探针开发、告警规则、治理脚本、自动化运维工具、调度策略优化等，按规范交付；
• 编写高质量自动化脚本与服务（Python/Go/Java/Shell），实现批量操作、巡检、数据对账、状态校验、健康探测与回滚；
• 深度参与故障应急：值班 OnCall、事件指挥、跨团队协调、战情同步；推动 MTTA/MTTR 降低。
3、安全、稳定、效率和性能优化  
• 建立全链路 SLI 指标体系：可用性、延迟、吞吐、错误率、资源利用率、队列深度、调度成功率、实例生命周期关键状态等；持续可视化与例会化分析；
• 优化告警体系：告警质量指标（噪音率、误报率、漏报率、可行动性）、Alert → Incident 转换标准、分级通知矩阵；
• 推进开发协同（左移）：在设计、开发与测试阶段加入稳定性 CheckList（幂等性、重试策略、熔断/超时、探活、依赖降级、状态收敛）。
4、技术预研  
• 预研 Chaos 工具/平台并结合业务特性沉淀标准化故障模型与韧性指标；
• 评估智能告警关联、根因定位、异常检测（时序/拓扑/依赖图谱）算法的适用性与成本收益，推动 PoC 与灰度落地；
• 针对下一代可观测性（日志与指标融合、采样优化、eBPF 无侵入追踪）提出演进路线。
5、技术规划  
• 基于业务增长曲线、产品演进与战略项目制定年度/季度稳定性 OKR：SLO 提升、MTTR/噪音告警压降、自动化覆盖率、演练覆盖率、容量冗余下降、成本优化目标等；
• 规划多活/容灾演进路线：跨 Region 容灾 → 主动故障转移 → 智能调度；分阶段 KPI（RTO/RPO、演练周期、切换自动化程度）；
• 制定发布与变更分级治理路线：高风险变更识别 → 准入标准 → 影子/灰度策略 → 自动化验收 → 全量放量策略 → 回滚演练常态化。