SRE Tech Lead (云平台可靠性保障)

岗位职责
1.从 0 建立安全云站点可靠性工程体系：定义 SLI / SLO 与错误预算，设定稳定性红线与变更准入规则，把"系统可用"变成"可度量、可承诺、可追责"。
2.承担安全云稳定性第一责任：建立重大故障应急响应机制（故障分级、指挥体系、升级路径、7×24 on-call 值班），主导 blameless 复盘与整改闭环，推动问题从救火转为防火。
3.建设可观测性体系：打通 Metrics / Logs / Traces，做告警治理与降噪，建设统一监控视图与故障定位工具链。
4.多租户可靠性治理：设计租户配额与限流、噪声邻居隔离、爆炸半径控制与容量规划，组织常态化压测，支撑规模化商用。
5.对外 SLA 与度量：建立客户可见的可用性度量与 SLA 报告机制，明确罚则与风险分摊口径，支撑商务侧客户承诺与续约谈判。
组建并带教 SRE 团队：搭团队结构、能力模型与值班文化，以工程化（而非人工运维）方式解决可靠性问题。
任职要求
1.本科及以上学历。
2.8 年及以上 DevOps / SRE / 平台工程相关经验，其中 3 年以上带团队或担任 Tech Lead 的经历。
3.主导过多租户 SaaS 或云平台稳定性体系从 0 到 1 的建设（SLO 体系、应急响应机制、可观测性平台至少两项）。
4.Linux、网络与分布式系统基础扎实，能对故障模式做前置预判。
5.熟悉 Kubernetes 与容器生态、主流公有云、IaC 与 CI/CD；至少掌握Java/ Python /Go一门语言，以工程化手段解决可靠性问题。
6.熟悉 Prometheus / Grafana、OpenTelemetry、日志与链路追踪体系，有告警治理与降噪实践。
7.掌握 SLI / SLO / 错误预算、故障指挥、blameless 复盘、混沌工程或故障演练并有落地案例。
8.具备多租户平台的配额限流、资源隔离与爆炸半径控制经验者优先。
9.有安全云 / 安全 SaaS / 网络安全行业背景者优先。