岗位职责
1、负责智算中心GPU服务器及集群、高性能存储、IB/RoCE等高速网络等核心基础设施的全天候稳定运行监控与维护。
2、制定并落实标准化的智算中心运维操作规范（SOP）、应急处理预案（EOP）以及灾备恢复策略，保障系统可用性达到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，提出并落地优化措施，提升资源整体利用效率。
4、为内部业务团队及重点客户提供高水平技术支持，协助解决复杂技术问题。
5、推进智算中心运维体系向标准化、自动化、智能化方向演进，持续完善运维服务管理流程。

任职要求
1、计算机科学、通信工程或相关专业本科及以上学历。
2、5年以上数据中心运维工作经验，其中至少2年专注于AI/HPCC（高性能计算）或智算中心领域的实际运维。
3、掌握扎实的网络知识，深入理解TCP/IP协议栈，具备InfiniBand、RoCE等高速网络的实际运维与故障定位能力。
4、精通集群运维管理，熟练掌握至少一种主流集群管理或作业调度系统，如Slurm、Kubernetes（k8s）、OpenPBS/Torque等，并了解其在AI训练与推理场景中的应用实践。
5、了解存储技术，熟悉至少一种分布式存储系统（如Ceph、Lustre、GPFS等）的架构设计与日常运维。
6、熟悉GPU相关技术，了解NVIDIAGPU架构，能够完成驱动、CUDA环境、容器化方案（如NVIDIADocker）的部署配置，并掌握DCGM、nvidia-smi等性能监控工具的使用。
7、熟练掌握至少一门脚本语言（如Shell、Python、Go），可独立开发自动化脚本和工具；具备Ansible、SaltStack、Terraform等自动化配置管理工具的使用经验。
8、获得华为HCIE-AI、RHCE/RHCA、CKA、NVIDIA等相关认证者优先考虑，有大模型训练集群或混合云智算平台运维经验者优先。