智算运维工程师

岗位职责
1、智算平台运维：负责大规模GPU集群平台的日常运维与监控，确保平台稳定运行(N卡/国内GPU卡)；
2、系统部署与管理：协助进行服务器、存储设备及网络设备的上架、部署、配置、管理与维护；
3、故障排除与性能调优：及时响应GPU集群软硬件、网络及操作系统故障，进行排查与处理，优化系统性能，保障平台的高效运行；
4、巡检：定期对智算平台GPU节点及网络设备软硬件、服务等进行巡检；
5、文档维护：编写与更新运维文档，包括配置文件、操作手册和故障排查记录；
6、监控与报警：配置和管理监控系统，跟踪平台性能指标，及时发现潜在问题并进行预警；
7、支持自动化运维工具：学习和使用自动化运维工具，提高工作效率；
8、工作地点与其他：西宁国家三江源大数据基地，5X8进行以上职责的现场履行，7X24小时问题响应。

岗位要求
1、 熟悉 Linux 系统管理与操作（如 CentOS、Ubuntu 等）及排障；
2、熟悉常见的云平台（如阿里云、腾讯云、AWS）及虚拟化技术（如 Docker、Kubernetes）；
3、具备一定的监控工具使用经验（如 Prometheus、Grafana、Zabbix 等）；
4、具备一定网络基础知识、了解TCP/IP、VLAN、M-LAG、BGP等技术；
5、熟悉Python、Shell、Go等一种或多种编程语言；
6、熟悉IB网络、RoCE网络基础架构及RDMA原理，有实际搭建/维护经验，对与有大规模GPU集群(万卡)运维经验者优先。
7、熟练操作Nvidia卡/集群(A系列/H系列)及故障识别、处理，对硬件/网络硬件问题能够进行故障处理，对国内GPU卡有一定了解。