跳转到主要内容

SRE运维开发工程师

Technology
北京问盛企业信息咨询有限责任公司
上海-静安区, 中国¥20,000 - ¥40,000 /月4天前

职位描述

职位前景: 由数千片 GPU 组成的算力集群是发电厂,统一推理网关是电网。SRE 的职责,是让这张电网 7×24 不停电:千卡调度、故障自愈、碎片整理,把 GPU 利用率稳定在 95% 以上;多集群全局调度、限流熔断、秒级切换,保证推理请求稳定送达每一个客户。 我们要的不是人肉运维,而是用工程手段消灭重复劳动:把告警变成自动化处置,把故障变成演练脚本,把容量变成可预测的模型。 岗位职责: 1. 稳定性体系:定义核心服务的 SLI / SLO 与错误预算,用数据驱动容量规划、变更管控与发布节奏。 2. 可观测性:建设覆盖 GPU、节点、K8s、网络、网关与应用的全栈监控;完善指标、日志、链路追踪与告警分级,降低误报与噪声。 3. 自动化运维:用 Terraform / Ansible / Operator 管理集群与中间件,建设巡检、自愈、扩缩容与发布流水线,持续降低 toil。 4. 故障响应:参与 7×24 on-call,主导或配合故障定位、止损与恢复;推动复盘整改闭环,把“事后补救”前移为“事前拦截”。 5. 多集群与容灾:支撑多可用区 / 多集群的全局调度、限流熔断、流量切换与容灾演练,目标故障秒级切换。 6. 成本与效率:监控 GPU 利用率、碎片与空闲资源,推动调度优化与成本归因,支撑 95%+ 利用率目标。 任职要求 : 1. 基础:3 年以上 SRE / 运维开发 / 系统工程师经验;熟悉 Linux、TCP/IP、DNS、负载均衡与常见故障模式。 2. Kubernetes:熟练掌握 K8s 生产运维——调度、网络、存储、RBAC、Operator、升级与故障排查。 3. 可观测性:熟悉 Prometheus / Grafana / Alertmanager 体系,具备指标设计与告警治理经验;了解日志与链路追踪(Loki / ELK、OpenTelemetry / Jaeger)。 4. 编码能力:Python / Go / Shell 至少一门熟练,能写可维护的自动化工具,而不是一次性脚本。 5. 故障素养:有线上故障处理与复盘经验,能在压力下清晰沟通、快速止损。 6. 工作方式:接受 7×24 on-call 与应急响应。 任职要求: - 3–5 年相关经验,能独立承担一个方向(监控、K8s、网络、自动化任一)的建设与值班。 - 有良好的文档与协作习惯,能把一次故障沉淀成可复用的手册或工具。 - 学习能力强,愿意深入 GPU 集群与推理服务运维。 加分项: - 有 GPU 集群运维经验:NVIDIA GPU Operator、DCGM、MIG、NVLink / IB / RoCE 网络、Slurm / K8s 调度。 - 有推理服务运维经验:vLLM / SGLang / TensorRT-LLM,理解模型加载、显存与吞吐调优。 - 有高并发网关 / 流量入口运维经验:Nginx / Envoy、限流熔断、灰度与多活。 - 有混沌工程、容量压测或 FinOps 成本优化实践。 - 有安全运维经验:集群与 K8s 安全基线、密钥管理、漏洞响应。 - 有 IDC、公有云 / 私有云或算力租赁行业背景。

Keywords
GrafanaSlurm Workload ManagerLinuxPythonDefragmentationNginx

对这个职位感兴趣吗?