Senior Linux & Infrastructure Engineer (System Administration / DevOps)

Tražimo iskusnog Linux System / Infrastructure Administratora koji će imati visok nivo samostalnosti i odgovornosti za održavanje, stabilnost, bezbednost i razvoj naše IT infrastrukture.

Šta ćeš raditi:

• administraciju i održavanje bare-metal Linux servera i cloud infrastrukture;
• instalaciju, konfiguraciju, nadogradnju i održavanje sistemskog i aplikativnog softvera;
• održavanje legacy sistema i starijih verzija operativnih sistema, baza, web servera i drugog softvera koji iz poslovnih ili tehničkih razloga nije moguće odmah zameniti ili nadograditi;
• praćenje rada servera, servisa, baza i aplikacija i analizu sistemskih, aplikativnih i security logova;
• dijagnostiku i rešavanje produkcionih i infrastrukturnih incidenata u što kraćem roku, uključujući hitne intervencije van redovnog radnog vremena kada je to potrebno;
• dežurstvo i reagovanje na kritične produkcione incidente, uključujući situacije koje nastanu noću, vikendom ili praznicima;
• analizu uzroka ozbiljnijih incidenata i predlaganje i sprovođenje preventivnih mera;
• administraciju firewall pravila, ACL lista, korisničkih i servisnih naloga i drugih pristupnih prava;
• administraciju WHM/cPanel okruženja;
• administraciju baza podataka i database klastera;
• planiranje i sprovođenje backup, restore i recovery procedura;
• deployment različitih aplikacija i verzija softvera u razvojna, testna i produkciona okruženja;
• podršku development timovima u dijagnostici problema na nivou aplikacije, operativnog sistema, mreže, baze ili drugih infrastrukturnih komponenti;
• praćenje performansi i korišćenja resursa — CPU, memorija, disk I/O, mreža, konekcije, database load, slow queries i drugi relevantni pokazatelji;
• prepoznavanje potencijalnih problema, rizika i uskih grla i predlaganje unapređenja pre nego što postanu incidenti;
• administraciju tehničkih naloga i servisa kod hosting, cloud i drugih eksternih provajdera;
• praćenje korišćenja, plaćanja i troškova eksternih servisa i infrastrukture;
• procenu budućih potreba, kapaciteta i infrastrukturnih troškova;
• predlaganje, tehničku procenu i pomoć pri nabavci nove infrastrukture — fizičke opreme, bare-metal infrastrukture ili cloud servisa;
• komunikaciju sa infrastrukturnim i cloud provajderima;
• pripremu tehničkih informacija o postojećoj infrastrukturi i odgovaranje na tehnička pitanja klijenata, partnera i drugih trećih strana;
• pomoć pri popunjavanju tehničkih, infrastrukturnih i security upitnika;
• održavanje tehničke dokumentacije o infrastrukturi, servisima, konfiguracijama i važnim operativnim procedurama.

Obavezno iskustvo:

• Linux i sistemska administracija: odlično praktično poznavanje Linux sistema i višegodišnje iskustvo sa produkcionim serverima; razumevanje procesa i servisa, systemd-a, korisnika i grupa, permissions/ownership modela, filesystema, diskova i LVM-a, package managementa, logova, SSH-a, sistemske i mrežne konfiguracije, resource limita i osnovnog system/kernel tuninga; sposobnost samostalne dijagnostike problema sa CPU-om, memorijom, swapom, disk I/O-om, filesystemima, procesima i drugim sistemskim resursima; dobro poznavanje shell okruženja i Bash/shell scriptinga.
• Legacy sistemi: iskustvo u administraciji starijih Linux i serverskih okruženja i sposobnost rada sa legacy sistemima kod kojih upgrade ili zamena nisu uvek odmah mogući; oprezan pristup, razumevanje postojeće konfiguracije i zavisnosti i procena posledica promene pre intervencije.
• Networking: dobro praktično razumevanje TCP/IP-a, DNS-a, routinga, subnettinga, ports/sockets koncepta, NAT-a, HTTP/HTTPS-a, TLS-a, firewall pravila i mrežne dijagnostike; sposobnost praćenja komunikacije između različitih komponenti sistema i utvrđivanja uzroka problema.
• Baze podataka: ozbiljno praktično iskustvo u administraciji najmanje jednog relacionog DBMS-a i dobro razumevanje instalacije i konfiguracije database servera; korisnika, rola i privilegija; backup/restore i recovery procedura; replication i high-availability koncepata; locks i deadlocks problema; connection managementa; indeksa i execution planova; slow query analize; database performance tuninga.
• Cloud infrastruktura: iskustvo sa najmanje jednim vodećim cloud provajderom (AWS, Microsoft Azure ili Google Cloud); razumevanje compute, storage i networking servisa, identity/access managementa, security pravila, managed baza, monitoringa, backupa, skaliranja i osnovnih principa cloud billing-a i kontrole troškova.
• Produkcioni troubleshooting i incident response: sposobnost samostalnog vođenja dijagnostike kroz različite nivoe sistema (network → firewall → web server → aplikacija → baza/Redis → storage); povezivanje metrika, logova, konfiguracije i ponašanja aplikacije radi pronalaženja uzroka; prioritet ponovnog uspostavljanja stabilnog rada sistema u što kraćem roku; on-call/dežurstvo i mogućnost intervencije van redovnog radnog vremena.
• Security: praktično poznavanje Linux permissions/ACL modela, SSH i server hardeninga, sudo privilegija, korisničkih i servisnih naloga, database permissions, firewall pravila, TLS sertifikata, patch managementa i principa least privilege; osnovno razumevanje postupanja u slučaju security incidenta.
• Samostalnost i odgovornost: visok nivo samostalnosti; sposobnost istraživanja nepoznatog problema, procene rizika, pripreme načina provere promene i rollback plana, donošenja tehnički utemeljene odluke i odgovornog intervenisanja na produkcionom sistemu; prepoznavanje kada nema dovoljno informacija za bezbednu intervenciju; sposobnost određivanja prioriteta i donošenja odluka pod vremenskim pritiskom.

Očekivano iskustvo: praktično iskustvo sa većim brojem tehnologija iz našeg okruženja: MariaDB / MySQL, uključujući administraciju i performance troubleshooting; MariaDB Galera Cluster; PostgreSQL, uključujući replication i cluster/high-availability rešenja; Redis; Apache HTTP Server; WHM/cPanel; AWS, Microsoft Azure i/ili Google Cloud; backup i disaster recovery sistemima; monitoring sistemima kao što su Zabbix, Prometheus/Grafana, Nagios/Icinga ili slični; centralizovanim prikupljanjem i analizom logova; Git-om; deploymentom aplikacija u dev/test/production okruženja; CI/CD sistemima; SSL/TLS sertifikatima i DNS infrastrukturom; hosting i cloud provajderima i administracijom njihovih servisa i naloga.

Poželjno iskustvo: Ansible ili drugi configuration management alati; Terraform ili drugi Infrastructure-as-Code pristup; Docker i kontejnerska okruženja; virtualizacione platforme; Python ili drugi scripting/programski jezik; automatizacija deployment procesa; dizajn monitoring i alerting sistema; capacity planning; cloud cost management i optimizacija infrastrukturnih troškova; performance tuning kompleksnijih produkcionih sistema; disaster recovery planiranje i testiranje recovery procedura; fizički serveri, RAID/storage sistemi i out-of-band management rešenja; planiranje i nabavka serverske i druge infrastrukturne opreme; priprema tehničke dokumentacije i infrastrukturnih/security upitnika; modernizacija i migracija legacy sistema; standardizacija i unapređenje postojeće infrastrukture.