智算运维工程师

岗位职责： 1、负责 GPU 服务器、存储、网络、平台等软硬件的日常巡检、监控和维护，建立巡检规范与维护基线，及时掌握设备与系统运行状态，发现并消除潜在隐患，保障智算中心基础设施持续稳定运行。 2、负责故障响应、定位、修复和复盘，保障 SLA 达标，建立分级响应机制与典型故障预案，牵头跨层问题排查与恢复，组织故障复盘与改进措施落地，持续降低故障发生率和平均恢复时长。 3、负责版本升级、配置变更、扩容缩容和演练实施，制定变更方案、回滚策略与操作窗口，推动变更流程规范化与审批留痕，组织开展应急演练与容灾演练，确保变更安全可控、业务影响最小。 4、建设并优化监控、日志、告警、自动化运维体系，覆盖基础设施、平台组件与业务任务等关键维度，完善告警分级、收敛与根因定位能力，推动巡检、扩缩容、恢复等场景的自动化与智能化，提升运维效率。 5、配合安全团队落实账号、权限、审计、漏洞和应急管理要求，执行最小权限与访问控制策略，配合完成漏洞修复、合规检查与安全审计，完善安全应急响应机制，保障智算中心运行满足企业安全规范与监管要求。 任职要求： 1、本科及以上学历，计算机科学与技术、软件工程、通信工程、自动化等专业； 2、工作经验5年+，熟悉Linux、数据中心运维、GPU服务器、网络和存储基础； 3、2年以上数据中心或云平台运维经验；熟悉Linux、Shell/Python、Ansible、Prometheus、Grafana等； 4、熟悉Kubernetes、Docker、Slurm等平台运维；具备GPU服务器、IB网络、分布式存储排障经验； 5、具备7×24小时应急响应能力。