这是一个创建于 257 天前的主题，其中的信息可能已经有所发展或是发生改变。
帮朋友发的，有需求请直接联系底部邮箱
2050 招聘 | 机房运维工程师（ GPU 算力卡方向）
工作地点：香港鸭洲数据中心
岗位亮点：
负责 NVIDIA A800/A100 GPU 算力卡 运行维护监控设备状态，优化性能，快速响应故障
参与机房扩容，打造高可用 GPU 集群
我们希望你： 熟悉 NVIDIA GPU 架构，了解 A800/A100 及其常见问题
有 3 年以上机房运维经验，至少 1 年 GPU 服务器 / HPC 经验
掌握 Linux 、CUDA 、RDMA 网络运维，能快速定位和解决问题
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。 有兴趣请联系： [email protected]
Select Language