AI基础设施运维工程师（计算与存储）
为 Highrise AI 的 GPU 计算与存储平台提供二线支持，解决升级上报的基础设施问题。 负责 Linux、Kubernetes、Slurm、GPU 系统及分布式存储相关工作。
描述
- 为大规模 GPU 计算与存储平台提供二线运维支持。
- 跟进升级上报的事件、服务请求和问题工单，直至解决、进一步升级或完成有记录的交接。
- 使用日志、监控仪表板、管理界面和经批准的诊断工具排查计算与存储故障。
- 评估事件严重程度及对客户的影响，并在运维和 SLA 目标范围内协调恢复服务。
- 记录故障排查过程、更新工单、准备轮班交接，并将问题升级给三线团队或原始设备制造商（OEM）。
- 排查 Linux 服务器、GPU 健康告警、启动故障、固件和驱动问题、硬件故障及资源可用性问题。
- 支持节点配置、重新部署镜像、配置变更、日常维护和恢复服务检查。
- 调查 Kubernetes 和 Slurm 节点或工作负载故障。
- 分析连接和 GPU 通信异常；遇到深入调查时协调网络工程师或三线工程师参与。
- 监控并排查分布式存储和高性能存储系统。
- 调查文件系统挂载失败、存储节点或磁盘告警、服务降级，以及访问或性能问题。
- 与存储供应商和数据中心机房技术人员协作，执行经批准的恢复、维护和部件更换流程。
- 支持文件、对象和块存储平台。
- 协助进行升级、计划维护、集群扩容和验证工作。
- 维护资产、配置和工单记录；改进运行手册、检查清单和知识文章。
- 发现重复发生的事件，并使用脚本和基础设施管理工具自动化可重复的运维任务。
- 与远程工程团队、现场技术人员、OEM 和供应商协作。
任职要求
- 拥有计算机科学、工程或相关领域的学士学位，或具备同等的实践经验。
- 具备 3–6 年生产环境中的 Linux 服务器、高性能计算、云或数据中心基础设施支持经验。
- 具有企业级计算硬件、iDRAC 或 iLO 等 BMC 管理界面、操作系统和监控工具的实际故障排查经验。
- 了解 NFS、分布式文件系统、对象存储和存储性能基础知识。
- 有工单系统和变更管理流程的使用经验。
- 有使用 Bash 或 Python 编写脚本以完成日常诊断和自动化的经验。
- 接触过 NVIDIA GPU 系统、InfiniBand/RDMA、Kubernetes、Slurm 或 AI/HPC 存储平台者优先。
- 能够进行有条理、以证据为依据的故障排查，并合理判断是采取修复措施、协作处理还是升级问题。
- 能够负责跟进工单，并关注运维细节。
- 能够与 NOC、SRE、硬件、网络、存储和三线工程团队有效协作。
- 能够使用英语清晰地进行口头和书面沟通。
- 愿意前往数据中心参与集群调试、验收和复杂故障排查。
- 能够灵活支持常规工作时间以外的重大事件或维护工作。
福利待遇
- 直接影响大规模 AI 集群的性能、可靠性和投产准备情况。
- 与经验丰富的基础设施工程师共事。
- 助力为不断扩展的全球 AI 基础设施平台制定技术标准。
- 与教育和职业背景各异的同事合作。
- 向管理层提出并展示新的产品、服务和项目构想。
- 拓展在科技、能源和基础设施领域的职业人脉。
- 为残障人士提供合理便利。
