Senior-Ingenieur für Site Reliability (SRE)

Deine Aufgaben

• 40 % der Tätigkeit entfallen auf Infrastrukturentwicklung: Skalierbare Infrastruktur wird mit Terraform und cloudnativen AWS-Diensten entwickelt und bereitgestellt. Hinzu kommen kritische Full-Stack-Arbeiten an Backend und Infrastruktur oder Cloud sowie die Automatisierung von Bereitstellung und Jenkins-CI/CD-Pipelines einschließlich Image-Builds mit Packer und Docker.
• 40 % der Tätigkeit dienen Plattformoptimierung und Resilienz: Die Cloud-Infrastruktur wird auf Hochverfügbarkeit, Kosteneffizienz und Skalierung bei Lastspitzen optimiert. Sicherheitsstandards werden durch Überwachung, Patches und Upgrades umgesetzt.
• 20 % der Tätigkeit umfassen Support und Observability: Die Rolle übernimmt turnusmäßige Rufbereitschaft, behebt Störungen zügig und bearbeitet Infrastruktur-Supportanfragen. Monitoring mit Datadog, Pingdom und Elastic sowie kontinuierliche Verbesserungen der Störungsbehebung dienen dazu, Probleme vor Auswirkungen auf Endnutzer zu erkennen und zu beheben.
• Im ersten Monat stehen 3 IaC-Reviews, das Erlernen monatlicher Patchverfahren, kritische Sicherheitspatches, ein Release-Validierungslasttest mit Locust und Gatling, wöchentliche Risikoanalysen und eine geplante Datenbank-Skalierungsübung an. Die Rolle lernt die Architektur kennen, richtet KI-Werkzeuge einschließlich Claude zur täglichen Nutzung ein, löst mindestens 3 Infrastruktur-Supportanfragen und berichtet über fragile Bereiche und Dokumentationslücken.
• Nach 3 Monaten sollen eine eigenverantwortliche Sicherheitsverbesserung, etwa an Firewall- und Netzwerkregeln, ein Terraform-Infrastructure-as-Code-Projekt vom Vorschlag bis zum Produktivbetrieb und eine Python-basierte AWS Lambda zur Automatisierung einer Betriebsaufgabe umgesetzt sein. Das Systemwissen soll eine selbstständige Rufbereitschaft mit Störungsbehebung ohne Eskalation ermöglichen.
• Nach 6 Monaten soll die Rolle die Behebung eines kritischen Infrastrukturvorfalls und ein bedeutendes Zuverlässigkeits- oder Tech-Debt-Projekt geleitet sowie Reaktions- und Wiederherstellungszeiten nachhaltig verbessert haben. Ein Projektbeispiel ist die Cloud-Migration eines komplexen lokalen Build-Systems. Entwicklungsabläufe werden mit KI durchgängig automatisiert; Instrumentierung, Alarme und Dashboards für einen kritischen Dienst ermöglichen proaktive Fehlererkennung und -diagnose.
• Bis zum Meilenstein nach 6 Monaten wird eine Zuverlässigkeitskennzahl eines kritischen Dienstes, etwa Erkennungs- oder Wiederherstellungszeit, messbar verbessert. Grundlage ist eine im ersten Monat ermittelte Ausgangsbasis; das Ziel wird mit der Führungskraft vereinbart.
• Nach 12 Monaten dienen Terraform-Muster, Reviews und Dokumentation als Standard. Die Rolle verantwortet Lastspitzenvorsorge mit Lasttests, Kapazitätsprüfungen und Skalierungsanleitungen nach selbst gesetztem, weiterentwickeltem Zeitplan. KI-Werkzeuge reduzieren wiederkehrende Betriebsarbeit messbar gegenüber einer selbst ermittelten Ausgangsbasis; menschliches Urteil bleibt maßgeblich. Die Rolle berät zu Infrastruktur und erreicht teamübergreifend die Priorisierung von Zuverlässigkeitsarbeit.