岗位职责：

机房设备运维保障

• 负责机房内GPU算力卡（包括NVIDIA A800、A100等）的日常监控、维护及性能优化，确保设备稳定运行。
• 实时监控算力卡健康状态（如温度、功耗、负载等），及时发现并处理异常告警。

故障诊断与修复

• 快速响应算力卡“掉卡”问题，排查硬件连接（PCIe接口、电源供电）、驱动兼容性、固件版本等潜在故障点。
• 分析算力卡损坏原因（如硬件老化、散热不良、供电不稳等），制定修复或替换方案，降低设备宕机时间。
• 配合厂商进行硬件级故障处理，推动RMA流程并跟踪解决进度。

预防性维护与优化

• 制定算力卡定期巡检计划，执行硬件清洁、散热系统检查、固件升级等预防性维护操作。
• 优化算力卡集群的资源配置策略，提升GPU利用率并延长硬件生命周期。
• 编写运维手册及故障处理SOP，沉淀技术经验。

跨团队协作

• 与算法团队、开发团队协同定位GPU使用问题（如CUDA报错、显存溢出等），提供运维侧支持。
• 参与机房扩容规划，设计高可用GPU集群架构，规避单点故障风险。

任职要求：

专业技能

• 熟悉NVIDIA GPU架构（如Ampere系列），了解A800/A100特性及常见故障模式。
• 具备 RDMA 网络运维能力，熟悉 IB 网卡 / IB 交换机 / RoCE 组网 等硬件细节，能快速分析网络通信问题
• 掌握Linux系统操作及GPU驱动管理（如NVIDIA Driver、CUDA Toolkit），熟练使用nvidia-smi、dcgmi等工具。
• 具备硬件排障能力，能独立更换算力卡、电源模块、散热组件等硬件。
• 熟悉监控工具（如Prometheus+Grafana、Zabbix）及日志分析系统。

经验背景

• 3年以上机房运维经验，至少1年GPU服务器或高性能计算（HPC）集群运维经验。
• 有处理大规模GPU集群故障（如批量掉卡、硬件兼容性问题）的实战案例。

软性能力

• 逻辑清晰，能通过数据分析定位复杂问题根本原因。
• 具备较强抗压能力，能适应7×24小时应急响应。

All applications applied through our system will be delivered directly to the advertiser and privacy of personal data of the applicant will be ensured with security.