NVIDIA 致力于开发加速计算和人工智能技术，广泛应用于游戏、数据中心、云计算、医疗保健、制造、汽车和机器人等领域。其业务涵盖图形处理器、人工智能平台、仿真技术及面向行业的解决方案，包括支持协作式 3D 工作流程的 NVIDIA Omniverse、用于自动驾驶汽车开发的 NVIDIA DRIVE，以及面向医疗应用的 NVIDIA Clara。公司汇聚了众多技术团队，专注于构建支持先进计算、仿真和人工智能驱动分析的基础设施与软件。
高级软件工程师，分布式系统与EDA基础设施
为NVIDIA电子设计自动化基础设施构建可靠的自动化和平台服务。 通过调度、监控、诊断和恢复系统，运维大规模GPU与CPU计算集群。
描述
- 创建平台，自动完成大规模GPU和CPU计算基础设施的资源配置、配置管理、运行维护和生命周期管理
- 开发监控、系统健康和修复能力，提升EDA计算环境的可靠性、可用性和利用率
- 自动化硬件部署、操作系统设置、固件和软件更新、集群注册及恢复流程
- 构建可靠的服务和工作流，连接工作负载调度器、基础设施管理平台和可观测性平台
- 分析硬件诊断信息、操作系统信号、调度器信息以及网络和存储遥测数据，诊断故障并恢复不健康系统
- 与EDA、基础设施、网络、存储和硬件工程团队合作，为关键芯片设计工作负载交付可扩展平台
- 参与事件响应、根因调查、容量规划以及生产服务的持续改进
任职要求
- 至少五年支持大规模生产系统的软件或基础设施工程经验
- 计算机科学、工程、物理、数学或相关专业本科及以上学历，或具备同等实践经验
- 具备扎实的Go或Python编程能力
- 熟练掌握数据结构、算法、测试和软件设计原则
- 具备为分布式系统和大规模Linux计算集群创建自动化方案的经验
- 了解复杂系统中的性能、安全性、可靠性、容错、状态管理和数据一致性
- 具备基础设施自动化、软件交付、可观测性和运营恢复经验
- 具备清晰的沟通能力，能够跨团队、跨组织及跨地域协作
- 具备大规模EDA或高性能计算基础设施经验者优先
- 深入了解Linux、GPU和CPU服务器架构、网络、存储及裸机生命周期管理者优先
- 具备Slurm、LSF、Kubernetes或Bright Cluster Manager实操经验者优先
- 具备支持EDA应用、许可证管理平台、高吞吐批处理工作负载或半导体设计流程经验者优先
- 具备开发自动化健康检查、故障修复、固件和操作系统升级流程或节点配置系统经验者优先
- 具备在多个数据中心或多种硬件环境中运维基础设施经验者优先
福利待遇
- 股权
- 福利