智算中心运维专家（成都）

岗位职责 1、负责智算中心GPU服务器及集群、高性能存储、IB/RoCE等高速网络核心基础设施的7x24小时稳定运行监控与日常维护。 2、制定并落实标准化的智算中心运维操作规范（SOP）、应急响应预案（EOP）以及灾备恢复机制，保障系统可用性达到99.99%。 3、持续跟踪集群关键性能指标（如GPU利用率、网络带宽、存储IOPS等），识别性能瓶颈，提出并执行优化措施，提升资源使用效率。 4、为内部业务团队及重点客户提供高水平技术支持，协助解决复杂技术问题。 5、推进智算中心运维体系向标准化、自动化、智能化方向演进，持续优化运维服务管理流程。 任职要求 1、计算机科学、通信工程或相关专业本科及以上学历。 2、具备5年以上数据中心运维经验，其中至少2年专注于AI/HPCC（高性能计算）或智算中心领域运维工作。 3、掌握网络原理，深入理解TCP/IP协议栈，必须拥有InfiniBand、RoCE等高速网络实际运维及故障排查经验。 4、精通集群管理，熟练掌握至少一种主流集群管理或作业调度系统，如Slurm、Kubernetes（k8s）、OpenPBS/Torque等，熟悉其在AI训练与推理场景中的应用实践。 5、了解存储技术，熟悉至少一种分布式存储系统（如Ceph、Lustre、GPFS等）的架构设计与运维操作。 6、熟悉GPU相关技术，了解NVIDIA GPU架构，能完成驱动、CUDA环境、容器化方案（如NVIDIA Docker）的部署配置，并掌握DCGM、nvidia-smi等性能监控工具的使用。 7、熟练使用至少一种脚本语言（如Shell、Python、Go），可独立开发自动化脚本和工具；有Ansible、SaltStack、Terraform等自动化配置管理工具的实际应用经验。 8、持有华为HCIE-AI、RHCE/RHCA、CKA、NVIDIA相关认证者优先；具备大模型训练集群、混合云智算平台运维经验者优先。