智算集群运维专家
45-70k
西安
10年以上
硕士
招1人
8月12日更新
人力资源经理
· 西安蓝页人力资源服务有限公司
简历处理快
聊一聊
- 职位介绍
- 岗位职责：
1. 智算集群独立运维与稳定性保障（核心职责）
负责大规模异构算力集群（包括GPU/NPU服务器、InfiniBand/RoCE高速网络、并行存储系统）的7×24小时日常运维、巡检与容量管理，对集群整体可用性（SLA）负责。
独立处理集群层面的复杂故障，快速响应并解决GPU掉卡、节点宕机、集群瘫痪、网络拥塞导致训练中断等重大问题，具备独立进行硬件级故障诊断与固件升级的能力。
2. 风险预防与深度优化
主导制定并完善集群的应急预案、风险排查机制和标准操作流程（SOP），通过巡检数据分析和主动运维，提前发现并消除潜在的系统性风险。
持续优化智算监控体系（如Prometheus+Grafana），对GPU利用率、温度、功耗、网络流量等全链路指标进行深度分析，编制专业分析报告并提出落地优化方案。
3. 自动化运维体系建设
利用Shell、Python或Go等语言开发自动化运维工具与脚本，实现集群批量部署、配置管理、故障自愈、日志分析等日常运维工作的平台化与自动化，提升运维效率。
参与算力调度系统（Slurm、Kubernetes）的运维与调优，优化资源调度策略，提升算力利用率和任务吞吐量。
4. 技术攻坚与协同
在重大故障处理中，作为甲方或业务侧的技术主导，与硬件厂商、IDC机房及研发团队高效协同，精准划定故障边界，推动问题根因修复，而非临时规避。
负责GPU服务器驱动、CUDA环境、NCCL通信库以及容器化环境（Docker/K8s）的配置、调优与版本管理。
任职要求：
1. 基本条件
全日制本科及以上学历，计算机、网络工程、电子信息、自动化等相关专业。
8年以上大型数据中心或云计算平台运维经验，其中至少最近2年以上大规模GPU智算集群或HPC集群的一线运维经验。
2. 核心技术能力
硬件与系统： 精通Linux系统管理与内核调优，熟悉主流GPU服务器（如NVIDIA DGX、浪潮、华为等）硬件架构，能独立诊断处理服务器主板、内存、GPU卡（含显存错误、NVLINK降级）、PCIe链路等硬件故障。
网络与存储： 深入理解InfiniBand或RoCEv2高速网络协议，具备处理网络拥塞、丢包等问题的实战经验。熟悉分布式存储（如Ceph、Lustre）的运维与调优。
调度与容器： 精通Kubernetes或Slurm算力调度平台的部署、运维与策略配置。熟悉容器化技术，能解决GPU透传、RDMA网络插件等容器化部署难题。
自动化与脚本： 熟练掌握Shell、Python或Go，具备独立开发自动化运维脚本及工具的能力。
3. 综合素质
独立作战与问题解决能力： 具备极强的责任心与抗压能力，能在高压环境下快速响应并独立解决复杂技术问题。
风险意识与文档能力： 具备敏锐的风险预判意识，擅长编写故障处理报告、应急预案及运维SOP规范文档。
沟通与协作： 具备与厂商进行技术博弈的能力，能基于底层日志输出清晰的故障证据链，推动外部资源高效解决问题。
4. 加分项
持有NVIDIA（如NCA）、华为、红帽等厂商相关认证证书者优先。
拥有万卡级AI集群建设或运维经验者优先。
熟悉国产GPU（如华为昇腾、摩尔线程）生态与运维者优先。
具备AI大模型训练框架（PyTorch/TensorFlow）分布式训练调优经验者优先。
- 其他信息
- 语言要求：不限
- 行业要求：网络/信息安全,通信设备
猎聘温馨提示：
- 1. 如您发现平台内招聘方存在以下违规行为的，请立即举报
-
- · 扣押您的身份证件或者其他证件；
- · 要求您提供担保人、担保金或者以其他名义向您收取财物（ 如培训费、体检费、资料费、置装费、押金等）；
- · 强迫您入股或者向您集资；
- · 以招聘名义牟取不正当利益；
- · 发布虚假招聘广告信息；
- · 工作时长违反劳动法规定；
- · 存在其他损害您的合法权益的行为。
- 2. 如您应聘的岗位属于涉外劳务合作/海外岗位的，请务必核实招聘方对外劳务合作资质取得情况，同时注意自身资金安全，防范招聘欺诈。
- 了解更多安全防范知识>
- 3. 本平台招聘方不向求职者提供任何收费服务。
查看全部
