網路 Fabric 工程師

【工作內容】
設計 GPU 訓練與推論叢集的網路架構，規劃 Spine-Leaf 與 Rail-Optimized 拓撲，並區隔運算、儲存與管理網路平面。
建置與調校 RoCEv2 無損網路（Lossless Fabric），設定 PFC、ECN 與 DCQCN 壅塞控制，調整交換器緩衝區與 Headroom 以消除封包丟棄與 Pause Frame 風暴。
評估並導入 InfiniBand 方案，負責 Subnet Manager 部署、Adaptive Routing 設定與 SHARP 網路內聚合的啟用。
建置基礎網路服務：頻外管理網路（BMC / IPMI）、PXE 開機環境、DHCP / DNS、VLAN 規劃與 Jumbo Frame（MTU 9000）設定。
建立 Fabric 可觀測性：RoCE 壅塞計數器、PFC Pause 統計、網卡錯誤率與交換器指標（SNMP / gNMI / Telemetry）的採集與告警。
診斷實體層與 Fabric 異常：鏈路降速、光衰、CRC 錯誤、不對稱流量與間歇性丟包的定位與排除。
規劃儲存網路架構，包含 Ceph 的 Public / Cluster 網路分離、NVMe-oF 傳輸層評估與頻寬容量規劃。
建立網路組態自動化：以腳本或 Ansible 管理交換器組態，並將組態納入版本控管與合規檢查。
撰寫網路架構文件、組態基準（Baseline）與故障排除 Runbook，並支援客戶端的網路規劃、現場勘查與導入。
與硬體供應商及原廠（NVIDIA Networking、Arista、伺服器 ODM）協作，進行選型評估、問題升級與韌體缺陷追蹤。環境的組態一致性。
建置自動化測試環境，使用 kind 或實體叢集執行 Operator 的 E2E 測試與升級驗證。
負責裸機 Kubernetes 叢集（如 RKE2）的安裝、升級與維運自動化，並支援離線（Air-gapped）安裝包製作。
建置可觀測性體系：Prometheus、Grafana、Loki 與 OpenTelemetry 的指標、日誌與追蹤整合。
強化軟體供應鏈安全：依賴自動更新（Renovate）、SBOM 產生、映像簽章、弱點掃描與 OpenSSF Scorecard 指標改善。
維護內部私有 Registry、Chart Repository 與開發環境，提升團隊開發與交付效率。