• Architektur und Implementierung einer Disaster Recovery Lösung für GitLab auf EC2 mit Terraform
• Verwendung von AWS-Diensten SSM und Data Lifecycle Manager
• Erstellung eines SSM-Dokuments zur geplanten Sicherung aller notwendigen GitLab-Daten (GL Backup, Config files, SSH-Schlüssel)
• SSM Dokumente für Backup/Restore
• Einsatz von Data Lifecycle Manager zur Sicherung des gesamten EBS-Volumes bei drastischen Ausfällen
• Entwicklung einer GitLab-Pipeline zur Ausführung des Backups
• Erstellung einer umfassenden Dokumentation für den Kunden

·       Entwicklung von Terraform-Code zur Migration eines K8s-Clusters von On-Premises zu AWS

·       Erstellung von Terraform-Modulen für Amazon EKS

·       Implementierung von Helm Charts für Observability mit ADOT, Chaos Mesh und Nginx Ingress Controller

·       Behebung von Sicherheitsrisiken mit TFSEC

·       Erstellung von einer CI/CD Strategie mit AWS CodeBuild

·       Einführung einer neuen Testumgebung (Pre-Prod)

·       Entwicklung eines Moduls für Oracle Kony Fabric und Verschlüsselung von RDS mit KMS

·       Erstellung einer Monitoring-Lösung für EKS Fargate durch Installation des ADOT Collectors zur Aktivierung von Container Insights

·       Erstellung maßgeschneiderter Dashboards für relevante CAdvisor-Metriken

·       Hinzufügen der Kube State Metrics in ADOT zur Überwachung von Anwendungsproblemen

·       Einrichtung von Alarmen und Zusammenführung aller Daten in einem CloudWatch-Dashboard zur Echtzeit-Überwachung der Performance und Probleme von K8s-Anwendungen

·       Nutzung von Fluentbit zur tiefergehenden Analyse von Pods mit Problemen, Anzeige dieser Pods im Haupt-Dashboard

·       Implementierung eines Skripts zur automatischen Erstellung von Metriken, Alarmen und Widgets für neue Anwendungen im Dashboard

·       Implementierung des X-Ray Daemons als Sidecar-Container und Anleitung der Entwickler zur Instrumentierung ihrer Anwendungen mit dem JavaScript X-Ray SDK

·       Erstellung der Dokumentation und Präsentation der Lösung in einer zweistündigen Vorführung beim Kunden

·       Implementierung des Serverless Datalake Framework (SDLF) und Migration von 15 Datenpipelines

·       Konvertierung von Tableau Prepflows zu AWS Glue Jobs unter Verwendung von PySpark

·       Anforderungsanalyse zur Übersetzung der kundenspezifischen Datenflüsse in SDLF-Pipelines in Zusammenarbeit mit SDLF-Entwicklern von AWS ProServe

·       Dokumentation, Testen und Erklärung jeder Datenpipeline für den Kunden

·       Entwicklung einer CDK-App mit Python zur Erstellung von VPCs in neuen Umgebungen (verschiedene Regionen)

·       Integration eines Transit Gateways zur Verbindung mit einer zentralen VPC in einer Quellumgebung

·       Erstellung von Subnetzen und deren Zuordnung zu verschiedenen Availability Zones

·       Anbindung des Transit Gateways an die VPC und Akzeptanz der Anbindung

·       Einrichtung von Routen zwischen der Shared VPC und der neu erstellten VPC über das Transit Gateway

·       Erstellung von Sicherheitsgruppen für DNS und VPC-Dienste

·       Einrichtung von DNS-Inbound-Endpunkten und Zuordnung der VPC zu Shared-VPC-Regeln in Route 53

·       Erstellung von VPC-Dienste-Endpunkten

·       Hinzufügen einer SQLite-Datenbank und eines Python-Wrappers zur Verfolgung der Erstellung neuer VPCs und deren CIDR-Bereiche

·       Erstellung einer Schritt-für-Schritt-Anleitung zur Nutzung der App

·       Erstellung einer GitLab CI/CD-Pipeline für die Infrastruktur einer Machine Learning Anwendung mit CDK

·       Automatisierung der Erstellung von Bestellungen im Kundensystem mittels SageMaker, basierend auf eingehenden Textdaten

·       Implementierung der Pipeline unter Einhaltung der Sicherheitsrichtlinien des Kunden

·       Nutzung von CDK Escape Hatches zur Umsetzung der Anforderungen der ML-Entwickler

·       Implementierung von data.all, einem Data Marketplace und Einstiegspunkt für AWS-Services für interne Mitarbeiter

·       Entwicklung von CDK-Code zur Integration neuer Funktionen, einschließlich VPC Peering, RedShift Serverless, SageMaker Studio und MLFlow

·       Onboarding und Schulung neuer Ingenieure für das Projekt über ein Jahr

·       Automatisierung der Erstellung von Entwicklungsumgebungen für neue Mitarbeiter

·       Teamleitung in den letzten drei Monaten des Projekts

·       Verwaltung des Rollouts neuer Versionen der Anwendung "Mobile Kasse," einem mobilen Backend für ein POS-System zur Lebensmittelverkäufe in Zügen

·       Erstellung einer Automatisierung mit Ansible zum Backen der AMI für die EC2-Instanzen hinter einer Auto Scaling Gruppe

·       Beginn der Migration von der CI/CD mit einem Ruby-Framework zu AWS CDK

·       Behebung von Sicherheitsrisiken, die wöchentlich von Splunk identifiziert wurden

·       Lösung von Leistungsproblemen in der RDS-Datenbank für eine optimale Systemleistung

·       Monatliche Präsentation der Fortschritte beim Kunden

·       24/7 Unterstützung für die App zur Sicherstellung des optimalen Betriebs im Produktionsumfeld