高级全球问题解决工程师
负责 WEKA 混合云数据平台的复杂升级问题，从初步调查到持久解决方案全程跟进。 排查 Linux、GPU、网络、存储及 NVIDIA DGX 环境问题。
描述
- 负责复杂升级问题，从初步调查到永久解决全程跟进，并在重大事件期间为客户提供桥接会议支持。
- 跨应用程序、GPU 与计算、客户端、网络架构、存储和云组件追查根本原因。
- 发现不同工单、客户和软件版本中的重复问题，评估其更广泛影响并推动主动应对。
- 在团队内解决问题，或向研发团队提交可执行缺陷报告，附上复现步骤、佐证材料和根因假设。
- 创建并更新已知问题、WEKA 技术公告和知识库文章。
- 利用反复出现的升级问题推动产品和流程改进。
- 为支持团队开发并改进分析工具和自动化方案。
- 指导客户成功工程师并加强技术实践。
- 为客户成功团队、新员工及跨团队同事提供技术培训。
- 参与值班轮岗，支持全天候服务覆盖。
- 作为 NCP 和 DGX Cloud 环境、参考架构、基准测试工具方面的主题专家，并与 NCP 和 NVIDIA 工程师协同排障。
任职要求
- 计算机科学、工程或相关专业学士学位，或同等实践经验。
- 至少 10 年高级技术支持、持续工程、站点可靠性工程或系统工程相关经验，且工作涉及直接服务客户。
- 具备诊断和解决复杂分布式系统问题的实绩。
- 有将单项升级问题转化为更广泛解决方案的经验，例如产品变更、技术公告或工具。
- 有在重大且备受关注的事件中直接支持客户的经验。
- 有与工程团队协作解决缺陷的经验，包括复现问题并提供根因证据。
- 英语书面和口语能力强。
- 能够灵活安排工作时间，作为全球团队的一员协作。
- 能够跨网络、内核、存储和应用层进行分析判断。
- 深入掌握 Linux，包括内核内部机制、内存管理、NUMA、CPU 调度和驱动程序。
- 具备分布式存储或并行文件系统经验。
- 了解高性能网络技术，包括 RDMA、RoCE、InfiniBand 和以太网。
- 具备高级调试技能，包括大规模核心转储和日志分析、perf、eBPF、gdb 及源代码审查。
- 能够使用指标进行性能分析，并通过数据驱动的假设检验开展排查。
- 具备 GPU 和 AI 工作负载、GPUDirect Storage 以及 NVIDIA DGX、SuperPOD 或 NCP 参考架构经验者优先。
- 具备 AWS、Azure、GCP 或 OCI 公有云经验，以及 Kubernetes、容器或虚拟化经验者优先。
- 了解 NFS、SMB、S3、DPDK、UCX，以及 Python、Bash、Ansible 或 Terraform 等自动化工具者优先。
