杭州·滨江区
职位详情
岗位职责
1、负责智算中心GPU服务器及集群、高性能存储、IB/RoCE等高速网络等核心基础设施的7x24小时稳定运行监控与日常维护。
2、制定并落实标准化的智算中心运维操作规范（SOP）、应急响应预案（EOP）以及灾备恢复机制，保障系统可用性达到99.99%。
3、持续跟踪集群关键性能指标（如GPU利用率、网络带宽、存储IOPS等），识别性能瓶颈，提出并落地优化措施，提升资源使用效率。
4、为内部业务团队及重点客户提供高水平技术支持，协助解决复杂技术问题。
5、推进智算中心运维体系向标准化、自动化、智能化方向演进，持续优化运维服务管理流程。
岗位要求
1、计算机科学、通信工程或相关专业本科及以上学历。
2、5年以上数据中心运维经验，其中至少2年从事AI/HPC（高性能计算）或智算中心相关领域的运维工作。
3、掌握网络原理，深入理解TCP/IP协议栈，具备InfiniBand、RoCE等高性能网络的实际运维和故障定位能力。
4、了解GPU技术，熟悉NVIDIA GPU架构，熟练配置和管理GPU驱动、CUDA环境、容器化方案（如NVIDIA Docker），掌握DCGM、nvidia-smi等性能监控工具。
5、了解存储技术，熟悉至少一种分布式存储系统（如Ceph、Lustre、GPFS等）的架构设计与运维管理。
6、熟悉AI硬件及网络性能测试方法，具备NCCL测试实践经验，掌握智算集群常见性能调优策略。
7、精通集群管理，熟练使用至少一种主流集群管理或作业调度系统，如Slurm、Kubernetes（k8s）、OpenPBS/Torque等，了解其在AI训练/推理场景中的应用实践。
8、熟练运用至少一种脚本语言（如Shell、Python、Go），能独立编写自动化脚本与工具；有Ansible、SaltStack、Terraform等自动化配置管理工具使用经验。
9、获得华为HCIE-AI、RHCE/RHCA、CKA、NVIDIA等相关认证者优先；具备AI大模型训练集群或混合云智算平台运维经验者优先。
1、负责智算中心GPU服务器及集群、高性能存储、IB/RoCE等高速网络等核心基础设施的7x24小时稳定运行监控与日常维护。
2、制定并落实标准化的智算中心运维操作规范（SOP）、应急响应预案（EOP）以及灾备恢复机制，保障系统可用性达到99.99%。
3、持续跟踪集群关键性能指标（如GPU利用率、网络带宽、存储IOPS等），识别性能瓶颈，提出并落地优化措施，提升资源使用效率。
4、为内部业务团队及重点客户提供高水平技术支持，协助解决复杂技术问题。
5、推进智算中心运维体系向标准化、自动化、智能化方向演进，持续优化运维服务管理流程。
岗位要求
1、计算机科学、通信工程或相关专业本科及以上学历。
2、5年以上数据中心运维经验，其中至少2年从事AI/HPC（高性能计算）或智算中心相关领域的运维工作。
3、掌握网络原理，深入理解TCP/IP协议栈，具备InfiniBand、RoCE等高性能网络的实际运维和故障定位能力。
4、了解GPU技术，熟悉NVIDIA GPU架构，熟练配置和管理GPU驱动、CUDA环境、容器化方案（如NVIDIA Docker），掌握DCGM、nvidia-smi等性能监控工具。
5、了解存储技术，熟悉至少一种分布式存储系统（如Ceph、Lustre、GPFS等）的架构设计与运维管理。
6、熟悉AI硬件及网络性能测试方法，具备NCCL测试实践经验，掌握智算集群常见性能调优策略。
7、精通集群管理，熟练使用至少一种主流集群管理或作业调度系统，如Slurm、Kubernetes（k8s）、OpenPBS/Torque等，了解其在AI训练/推理场景中的应用实践。
8、熟练运用至少一种脚本语言（如Shell、Python、Go），能独立编写自动化脚本与工具；有Ansible、SaltStack、Terraform等自动化配置管理工具使用经验。
9、获得华为HCIE-AI、RHCE/RHCA、CKA、NVIDIA等相关认证者优先；具备AI大模型训练集群或混合云智算平台运维经验者优先。
2026-05-22 12:33
IP属地：浙江杭州
职位福利
本科5-10年数据中心运维AIHPC智算中心GPU服务器、无损网络
新华三技术有限公司
不需要融资 · 10000人以上
工作地址
鱼泡安全保障
如遇到办证收费、刷单、传销、诱导买车等违规行为，请立即向鱼泡直聘投诉举报投诉举报 >
附近适合您的职位
收藏职位
