智算中心运维专家（原厂）

岗位职责
1、负责智算中心GPU服务器及集群、高性能存储系统、IB/RoCE等高速网络基础设施的7x24小时运行状态监控与日常维护，保障核心系统稳定可靠。
2、制定并落实标准化的运维操作规范（SOP）、应急响应预案（EOP）以及灾备恢复机制，确保系统可用性达到99.99%。
3、持续跟踪集群关键性能指标（如GPU使用率、网络吞吐、存储IOPS等），识别性能瓶颈，设计并落地优化策略，提升资源整体利用效率。
4、为内部业务单元及重点客户提供高水平技术支持，协助定位并解决复杂技术问题。
5、推进智算中心运维体系向标准化、自动化和智能化方向演进，持续优化运维服务管理流程。

岗位要求
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工作经验，其中至少2年专注于AI/HPC（高性能计算）或智算中心领域运维实践。
3、掌握网络核心技术，深入理解TCP/IP协议栈，具备InfiniBand、RoCE等高性能网络的实际运维与故障排查能力。
4、了解GPU技术原理，熟悉NVIDIAGPU架构，熟练完成驱动、CUDA环境、容器化方案（如NVIDIADocker）的部署配置，并掌握DCGM、nvidia-smi等性能监控工具。
5、熟悉主流分布式存储系统（如Ceph、Lustre、GPFS等）的架构设计与运维管理。
6、掌握AI硬件及网络性能测试方法，具备NCCL测试实战经验，熟悉智算集群常见性能调优方式。
7、精通集群管理技术，熟练使用至少一种主流集群管理或作业调度系统（如Slurm、Kubernetes/k8s、OpenPBS/Torque），了解其在AI训练与推理场景中的应用优化。
8、熟练运用至少一种脚本语言（如Shell、Python、Go），能独立开发自动化脚本与工具；有Ansible、SaltStack、Terraform等自动化配置管理工具使用经验。
9、获得华为HCIE-AI、RHCE/RHCA、CKA、NVIDIA等相关认证者优先考虑，具备大模型训练集群或混合云智算平台运维经验者更佳。