1

河北兴冀人才资源开发有限公司

2

智算&&算力运维工程师JD

1

1.负责大规模高性能GPU集群的计算、网络和存储系统的稳定运行，能监控、识别并解决各类集群线上问题； 负责多节点GPU集群性能测试与评估，熟练掌握HPL/HPCG/I-test等集群性能评测工具进行性能评估并定位问题； 2.负责监控系统的建设和运维，及时发现系统问题（尤其是GPU故障）并进行解决； 3.建设在IDC搭建大规模集群，提供运维能力和体系，支持云平台团队开发并对平台客户提供相关技术支持； 4.负责构建和维护一套全面、细致、可靠的测试机制和系统，覆盖计算硬件、网络、存储等端到端各环节的组件；

1.计算机、通信、电子工程等相关专业背景，有3年以上的运维工程师相关经验； 2.有大规模GPU集群的环境配置及管理经验优先； 3.熟悉environment-modules, spack, ansible,slurm, PBS Pro, Grafana, Prometheus, Ray#常见AI超算集群运维工具者优先，熟练掌握kubernetes以及Kubesphere, Rancher, Helm,Karmada等相关工具集群运维能力者优先，有大规模kubernetes生产环境运维经验者优先； 4.熟悉NFS, JuiceFS, CephFS, Lustre等集群文件系统的特性，熟练部署高性能文件系统并能解决性能瓶颈者； 5.熟悉IB/RoCE/NVLink/PCl-e等集群常见的通信协议以及网卡配置； 6.有强烈的工作责任心，较好的沟通能力和自驱力，能够快速的响应和行动； 7.深入理解操作系统、分布式架构、虚拟化技术、网络通信等方向上的技术； 8.对在线GPU集群服务的运维和优化上有丰富的经验，有大型互联网公司系统开发、测试、运维、应用工作经验者优先。