GPU基础设施工程师(J20618)

AI 摘要智能生成

负责 GPU 集群的部署、纳管与维护

职位描述

1. 负责 GPU 集群的部署、纳管与维护，完成操作系统、容器运行时、GPU 驱动和设备插件的适配、升级及故障恢复，维护软硬件版本兼容配置。 2. 负责 GPU 资源纳管、集群级资源配额、任务队列及调度策略的建设与维护，完善资源分配、隔离、回收和状态查询能力，为上层训练、开发及模型服务平台提供算力资源支撑。 3. 负责容器网络、集群 DNS 及存储接入，协同网络、存储和现场团队完成集群资源交付、环境验证及故障处理。 4. 开展 GPU、网络、存储及多机通信性能测试，排查设备异常、性能抖动、慢节点和通信瓶颈，验证新增资源的运行条件、性能及可用容量。 5. 开发设备健康检查、故障隔离、节点恢复和配置管理工具，提高 GPU 资源接入、自动化巡检、环境维护及故障处理效率。

任职要求

• 计算机、电子信息或相关专业本科及以上学历。
• 熟悉 Kubernetes 集群架构、节点管理、资源调度、容器网络及存储机制，能够独立完成集群部署、升级、节点纳管和常见故障处理。
• 熟悉 GPU 驱动、CUDA 运行环境、容器运行时及设备插件，理解 GPU 显存、PCIe、NUMA 和多卡通信的基本原理，具备运行环境适配及兼容性问题处理能力。
• 熟练使用 Python、Go 或 Shell 开展自动化开发，具备版本控制、配置管理及变更验证经验。
• 能够结合系统日志、网络指标和 GPU 运行信息定位故障，完成资源分配、容量及性能测试，并清楚记录验证过程与结果。
• 有 Kueue、Volcano 或 Slurm 等资源管理与调度系统实践，或有 GPU Operator、Kubernetes Controller、设备插件开发经验者优先。
• 有 RDMA、NCCL 性能分析、多集群管理、异构 GPU 或高性能存储接入经验者优先。