GPU 集群运维工程师

岗位职责

1. 软件栈运维：负责 NVIDIA Blackwell GPU 集群的操作系统、GPU 驱动、CUDA、Fabric Manager、NCCL 及网卡固件的部署、升级与版本管理。

2. 上线验收：可独立完成单机及多机性能基线验证，在节点交付租户前完成准入检测。

3. 监控告警：可基于 Prometheus、Grafana、DCGM Exporter 完成集群监控体系搭建。

4. 故障处理：远程定位 GPU、网络、存储等软硬件故障，完成节点隔离、换件工单发起与跟进，与 IDC 及硬件厂商协作闭环；参与 on-call 轮值与故障复盘。

5. 调度平台与自动化：开发&运维 Kubernetes 调度平台，实现节点批量上下线与故障自愈，保障训练与推理业务稳定。

任职要求

1. 本科及以上学历，计算机、通信或相关专业；3 年以上 Linux 运维或 SRE 经验，其中至少 1 年 GPU 或高性能计算集群运维经验。

2. 熟悉 NVIDIA GPU 软件栈（驱动、CUDA、DCGM、Fabric Manager、NCCL）。

3. 熟悉 InfiniBand 或 RoCE 网络的原理与排查方法，了解 RDMA 及 GPUDirect。

4. 熟悉 Nginx、Envoy、APISIX、Higress 等至少一种网关组件的部署与调优，了解负载均衡、限流及 HTTPS 证书配置。

5. 熟悉 Kubernetes 部署与运维，熟悉 Prometheus、Grafana 等监控体系。

加分项

1. 有千卡级 GPU 集群运维经验，或有 Hopper / Blackwell 平台的上线验收经验。

2. 熟悉Ceph分布式存储运维，了解分布式训练与推理的基本原理。