存储与GPU运维工程师

一、岗位职责 GPU算力集群运维：负责AI算力GPU集群的日常巡检、运行监控及故障处理，确保大模型训练与推理任务稳定执行；承担GPU驱动、CUDA、Nvidia-docker环境的部署、版本升级与兼容性优化工作；及时排查GPU掉卡、算力波动、链路异常、任务中断等技术问题；维护Slurm/K8s算力调度系统，提升资源分配效率，结合DCGM等工具开展性能监测与调优。 企业存储运维：负责NAS、SAN及分布式存储系统的运维管理，支撑AI数据集与模型参数的高效存储需求；完成存储挂载配置、容量规划、扩容迁移、快照备份与故障恢复操作；持续监控存储吞吐能力、IO延迟及设备健康状态，定位并解决训练过程中的IO性能瓶颈，保障数据存储的安全性与高可用。 系统与自动化运维：负责X86服务器硬件层面的运维支持与故障诊断，落实资产全生命周期管理；熟练使用Linux系统，执行系统性能优化、权限控制、日志审计等常规运维任务；能通过Shell/Python编写基础脚本，实现日常巡检、资源监控及故障告警的自动化流程。 运维保障工作：推进运维标准化流程落地，制定并执行变更管理、巡检规范，输出运维报表与故障复盘文档；参与线上重大故障应急响应，联动多团队完成集群升级、容灾切换演练，确保业务连续稳定运行。 二、任职要求 具备3年及以上算力中心、IDC机房、服务器、存储或GPU集群相关运维经验，计算机、云计算、网络工程等相关专业背景者优先考虑。 精通Linux系统运维操作，能够独立分析和处理系统、网络及进程类常见问题。 熟悉NVIDIA GPU运维技术体系，掌握驱动程序、CUDA架构、容器环境下GPU部署及典型软硬件问题排查方法。 理解企业级存储基本原理，具有NAS/SAN/分布式存储系统的实际运维经历，熟悉容量管理与IO性能调优实践。 了解IB/RDMA/RoCE高速网络技术，有Slurm、K8s算力调度平台或容器化部署经验者优先。 具备基础的Shell、Python脚本开发能力，逻辑清晰，具备较强的故障分析能力和运维规范化执行意识。