Senior Site Reliability Engineer - Ceph / On-Prem Cloud Storage (m/f/d) in Köln

Ihre Rolle

Sie helfen uns, die Speichergrundlage unserer On-Premise-Cloud-Plattform aufzubauen, zu betreiben und zu industrialisieren. Als Teil eines kleinen, erfahrenen Teams sind Sie für die Ceph-Cluster verantwortlich, die hinter unseren Block-, Objekt- und Dateispeicherdiensten stehen - im Wesentlichen der Speicher, auf dem letztendlich jede Kundenlast landet. Die Plattform wird noch aktiv aufgebaut, was bedeutet, dass Sie echten Einfluss auf die Speicherarchitektur, den Hardware-Lebenszyklus, die Automatisierungsstrategie und die technische Richtung haben werden. Die Rolle geht über Ceph hinaus: Sie arbeiten regelmäßig mit Bare Metal, Netzwerken, OpenStack, Kubernetes und GitOps.

Unsere Tech-Stack:

• Ceph
• OpenStack
• Kubernetes
• KVM
• Linux
• Bare Metal
• Ansible
• Terraform
• Go
• Cinder
• Neutron
• Nova
• RBD
• Cilium
• RGW/S3
• Prometheus/Grafana
• FluxCD/ArgoCD
• Git
• Python

Ihre Verantwortlichkeiten

• Entwerfen, betreiben und weiterentwickeln unserer Ceph-Cluster für Block-, Objekt-/S3- und Dateispeicher - von CRUSH-Topologie und Ausfallbereichen bis hin zu Pooldesign, Platzierungsgruppen, Erasure Coding, Kapazitätsreserven und Leistung.
• Verantwortung für den gesamten Lebenszyklus der Speicherhardware - von der Qualifizierung und dem Burn-In über Firmware, Controller und Festplattengesundheit bis hin zu OSD-Hinzufügungen/-Entfernungen/-Ersetzungen, Knotenrenten und Hardware-Aktualisierungen. Ein wichtiger Teil der Arbeit besteht darin, diese Prozesse zu automatisieren, ohne sichtbare Auswirkungen auf die Mieter zu erzeugen.
• Automatisierung der Bereitstellung von Speicherknoten auf OpenStack-gemanagtem Bare Metal, Arbeiten mit Ironic, RAID- und Festplattenkonfiguration, SEDs, Anbieternetzwerken und VLANs. Sie sind auch für den Artefaktpfad rund um Images, Paketspiegel, Zertifikate und andere Abhängigkeiten verantwortlich, die benötigt werden, um Cluster in Umgebungen mit streng kontrollierter externer Konnektivität hochzufahren.
• Durchführen von Upgrades, Rebalancing und Neukonfigurationen als routinemäßige Produktionsoperationen, Weiterentwicklung unserer Infrastruktur als Code und GitOps-Setup mit Ansible, Terraform und FluxCD/ArgoCD und Sicherstellen, dass der Speicher sauber mit sowohl OpenStack als auch Kubernetes integriert ist.
• Verantwortung für Kapazitätsplanung und Wachstumsprognosen, Nutzung von Telemetrie zur Analyse des tatsächlichen Verbrauchs und Aufbau von Überwachung, Tests und Fehlerinjektion rund um Leistung, Haltbarkeit und Sicherheit.
• AI-unterstützte Ingenieurarbeit ist einfach Teil unserer heutigen Arbeitsweise. Sie nutzen LLMs und agentische Tools, wo sie wirklich helfen - bei Entwicklung, Tests, Überprüfungen, Vorfalltriage, Wissensabruf oder Automatisierung - und helfen uns, weiter in Selbstheilung und Auto-Remediation vorzudringen.
• Als technischer Referenzpunkt und Sparringspartner in den Bereichen Ceph, Speicher, Automatisierung und AI-Tooling fungieren, technische Entscheidungen dokumentieren und Ihr Wissen mit dem Team teilen.

Was wir bieten

• Außergewöhnlicher Teamgeist über alle Abteilungen und Ländergrenzen hinweg; wir leben #OneTeam
• Spannende Arbeit in einem hochinnovativen und internationalen Umfeld mit modernsten Technologien
• 32 Urlaubstage, steigend mit der Betriebszugehörigkeit
• Flexible Arbeitszeiten, Homeoffice-Optionen und eine sichere unbefristete Anstellung mit markt- und leistungsorientierter Vergütung
• Arbeitgeberfinanzierte Altersvorsorge und ein attraktives Versicherungspaket
• OVHcloud übernimmt 50% der Kosten für öffentliche Verkehrsmittel
• Bis zu 400 € jährlicher finanzieller Beitrag von OVHcloud zu Sportaktivitäten (Fitnessstudio-Mitgliedschaft, Sportkurse usw.)
• Durch Corporate Benefits erhalten Sie attraktive Rabatte in zahlreichen Geschäften und Unternehmen
• Wir tragen zur Leasing Ihres Lastenrades bei
• Regelmäßige Unternehmensveranstaltungen und kostenlose kalte und heiße Getränke

Sie bringen mehrere Jahre praktische Erfahrung als SRE, Storage Engineer oder Platform Engineer mit, die Produktionsspeicherinfrastruktur betreiben, mit solider Erfahrung in der Bereitstellung, dem Betrieb und der Fehlersuche von Ceph in der Produktion. Sie kennen die Ceph-Grundlagen aus der Praxis: CRUSH, Pools und Platzierungsgruppen, Replikation vs. Erasure Coding, BlueStore, Scrubbing, Recovery und Backfill unter Last. Sie haben die Speicherinfrastruktur von Anfang bis Ende verwaltet, von der physikalischen Schicht mit Laufwerken, Firmware, BIOS, Controllern und Hardwarediagnosen bis hin zu Rebalancing, Host-Drain, Kapazitätserweiterung und Hardwaregeneration-Migrationen. Sie sind sicher im Umgang mit Kubernetes als Steuerungsebene, nicht nur als Arbeitslastlaufzeit, und verstehen Operatoren/Controller, benutzerdefinierte Ressourcen, Rekonsolidierung und GitOps. Sie können sich auch sicher in OpenStack bewegen und Probleme mit Ironic, Neutron, Nova oder Glance bei Bedarf debuggen. Sie haben mit Situationen zu tun gehabt, in denen Haltbarkeit wirklich wichtig ist - wie z.B. degradierte oder fast volle Cluster, Wiederherstellung unter Last oder Split-Brain-Bedingungen - und sind es gewohnt, Änderungen auf eine gestaffelte, evidenzbasierte und umkehrbare Weise vorzunehmen. Sie haben starke Linux- und Bare-Metal-Kenntnisse, verstehen die Blockschicht, Dateisysteme und I/O-Verhalten und sind sicher im Umgang mit Ansible, Terraform und GitOps. AI-unterstützte Ingenieurarbeit ist bereits Teil Ihrer täglichen Arbeit. Sie haben praktische Erfahrung mit LLMs und agentischen Tools und wissen, wo sie die Entwicklung, Tests, Überprüfungen oder den Betrieb sinnvoll unterstützen können. Idealerweise bringen Sie auch Erfahrung mit RGW/S3, RBD-Spiegelung, CephFS oder ceph-csi, tiefere OpenStack-Speicherintegrationen sowie Go und/oder Python mit. Erfahrungen rund um VLAN/BGP, Speicherleistungstuning, NVMe/BlueStore, Beobachtbarkeit, Datenschutz, Verschlüsselung, Auto-Remediation, Sicherheitsbaselines oder Multi-Site-Speicher sind ebenfalls relevant für die Rolle. Sie arbeiten autonom, bringen ein starkes Verantwortungsbewusstsein mit und sind sicher im Debuggen von Problemen, bei denen die tatsächliche Ursache möglicherweise irgendwo zwischen Speicher, Netzwerk, Kubernetes und OpenStack liegt. Sie überprüfen lieber, was passiert, basierend auf Beweisen, als anzunehmen, wie das System sich verhalten sollte. Wir arbeiten in einem internationalen Umfeld auf Englisch, daher sollten Sie sich wohlfühlen, technische Themen zu diskutieren, Entscheidungen zu dokumentieren und mit dem Team auf Englisch zu arbeiten.