跳转到主要内容

云计算运维工程师

Technology
软通动力
安顺-平坝区, 中国¥15,000 - ¥21,000 /月1个月前

职位描述

岗位职责 1. 负责万卡级AI计算集群的稳定性保障,覆盖NPU/GPU服务器、容器调度平台及训练框架的端到端可用性,确保集群MTBF达到业务目标。 2. 主导计算节点的故障诊断与快速恢复,针对HBM多比特ECC故障、NPU掉卡、算力调度异常等场景,推动Step级重调度与故障快恢能力的落地与持续优化。 3. 建设面向万卡集群的全栈可观测体系,打通从芯片、驱动、容器到训练任务的全链路监控与告警,实现故障的跨域快速定界定位。 4. 协同调度平台与训练框架团队,持续优化拓扑感知调度、容器编排及资源利用率,降低故障对训练任务的中断时长与算力损失。 5. 参与运维自动化与智能化能力建设,包括自动扩缩容、智能故障诊断、健康检查及一键巡检等工具的规划与落地。 任职要求 1. 计算机、软件工程、通信等相关专业本科及以上学历,3年以上大规模集群或云平台运维经验,有SRE/DevOps背景者优先。 2. 熟悉Linux操作系统及内核机制,具备服务器硬件、内核、容器等方向的深度排障与性能优化能力。 3. 至少精通Shell/Python/Go中的一种语言,具备运维工具与自动化平台的开发能力。 4. 熟悉Kubernetes容器编排及调度原理,有大规模AI训练平台或高性能计算集群运维经验者优先。 5. 对大模型训练流程、分布式训练框架(如MindSpore、PyTorch)及NPU/GPU架构有基本理解。 6. 具备良好的抗压能力与跨团队协作意识,能适应万卡集群7×24小时稳定性保障的工作节奏。

Keywords
3年以上PyTorchPython

对这个职位感兴趣吗?