软件运维工程师

岗位定位： 负责智算中心软件平台层（云平台、调度系统、AI开发平台及核心中间件）的运维保障、性能调优与自动化交付，支撑大模型训练与推理任务平稳高效运行。 平台运维管理：负责智算中心云操作系统（如OpenStack/私有云）、Kubernetes容器平台、高性能算力调度系统（如Slurm/Volcano）、AI开发平台及大模型推理网关的日常运维、升级与排障。 调度与优化：深入理解大模型训练任务的资源需求，对算力调度策略进行优化，管理队列优先级与资源配额，排查分布式训练任务hang住、性能低下（如all-reduce通信慢）等疑难问题。 存储与数据管理：管理分布式并行文件系统（如Lustre/GPFS/WeKafile），保障高吞吐、低延迟的数据读写；管理数据集的版本、生命周期与迁移。 自动化运维：基于Ansible、Terraform等工具实现运维自动化；编写Python/Shell脚本，开发定制化监控与自动恢复工具，减少人工介入。 故障排查与响应：参与二线On-Call，处理云平台及算力调度相关的复杂故障，协同软件厂商排查bug，建立故障知识库。 监控与成本分析：构建应用层的监控告警体系（如Grafana + Prometheus），分析GPU利用率、显存占用、训练任务成功率等关键指标，产出平台运营周报。

学历与经验：本科及以上学历，计算机科学或软件工程相关专业，3年以上云计算或AI基础设施运维经验。 核心技能： 容器与K8s：精通Docker、Kubernetes，熟悉Volcano/nvidia-device-plugin等插件，有大规模集群运维经验。 系统与脚本：精通Linux系统调优（内核参数、cgroup），熟练使用Python、Shell进行自动化开发。 AI平台基础：理解大模型训练与推理的基本流程，熟悉PyTorch/TensorFlow框架的基础环境配置（CUDA cuDNN、NCCL）。 调度与网关：熟悉至少一种主流HPC/AI调度器原理（Slurm/Volcano）；了解算力网关、模型服务网关（如Triton/vLLM部署方案）的运维。 监控与日志：熟练搭建Prometheus、Loki、ELK等可观测性技术栈，并能基于Metrics进行容量规划。 职业素养：良好的文档习惯与沟通协作能力，具备较强的抗压能力和故障排查韧性。有CKA/CKAD认证者优先。