岗位职责： 1. 公司、集群、公有云三层可观测性系统（日志、监控、Trace、告警）的研发、部署、运维 2. 超大规模 GPU 训练集群的指标、日志、Trace 采集与查询性能优化（百万级 series、TB / 日 日志） 3. 多租户用户侧 Dashboard 与查询界面的开发，搜索性能调优 4. 训练任务级监控接入（step time、loss、GPU SM/Mem 利用率、通信带宽） 5. RDMA 监控指标接入（PFC pause、ECN mark、QP 状态、HCA counter） 6. 与 NOC、运维协作沉淀告警标准、降噪、SOP 任职要求： - 本科及以上，3 年以上 SRE / 可观测性平台研发经验 - 精通 Prometheus / VictoriaMetrics / Thanos 至少一个，有大规模联邦或分片治理经验 - 熟悉 Loki / Elasticsearch / ClickHouse 至少一个，有 TB 级日志写入与查询调优经验 - 熟悉 Grafana 二次开发；前端基础（React / Vue）加分 - 熟悉 OpenTelemetry / Jaeger Trace 协议 - Go / Python 至少一种，能独立完成中等规模平台研发 加分项： - 万节点级 K8s 集群可观测性运维经验 - GPU 训练场景指标接入（DCGM Exporter、GPU Exporter、Rdma Exporter）经验 - 大规模 Prometheus 性能优化（cardinality / WAL / remote write）实战 - eBPF / 内核级 Trace 工具使用经验

微信扫一扫，及时了解投递状态

您目前还没有登录：立即登录