岗位职责： 负责公司 MLP 平台的 GPU 集群底座建设，主导大规模多集群环境下的稳定性、调度效率和基础设施插件能力，支撑内部模型训练和推理业务。 核心职责 1. GPU 集群稳定性建设：主导 GPU 集群高可用架构设计，制定 SLA/SLO 目标，建立容量规划、变更管控、灰度发布和稳定性度量体系。 2. 故障响应与处理：负责 P0/P1 级故障的快速定位、根因分析和事后复盘，建立可观测性、告警和应急响应机制。 3. 多集群管理：设计多集群联邦、统一接入、资源调度和灾备方案，解决跨集群业务调度、流量分发和数据一致性问题。 4. 基础设施插件开发：基于 K8s 二次开发或定制 CNI、CSI、Device Plugin、Scheduler Extender 等核心组件，适配公司 GPU 资源池和存储/网络环境。 5. 跨团队协作：与算法、业务方紧密协作，承接模型训练/推理场景的底层需求，推动平台能力落地。 任职要求： 1.本科及以上学历，计算机/电子/通信等相关专业，3 年以上 K8s 生产环境工作经验。 2.深入理解 K8s 核心组件（kubelet、kube-scheduler、controller-manager）和调度框架，具备 GPU 调度实战经验（NVIDIA Device Plugin、Scheduler Extender、DRA 等）。 3.具备 CNI 或 CSI 插件开发或深度定制经验，熟悉主流实现（Calico/Cilium、CSI Driver 框架）并能进行源码级调试。 4.有多集群管理经验，熟悉 Karmada、KubeFed、Cluster API 或类似方案中的一种以上。 5.扎实的 Go/Python 编程能力，良好的系统设计和故障排查能力。 优先考虑： 6.有 LLM 大模型训练或推理集群运维经验，了解分布式训练通信（NCCL/RDMA/RoCE/IB）和显存/算子特性。 7.有 Operator 开发经验，熟悉 Kubebuilder / Operator SDK。 8.有 Kube-scheduler / GPU Scheduler 二次开发经验或上游社区贡献。 9.熟悉 GPU 共享/隔离方案（MIG、MPS、vGPU、TimeSlicing）中的一种以上。 加分项： 1.在 CNCF/KubeCon 或相关开源社区有贡献记录。 2.有 Chaos Engineering、故障演练体系建设经验。 3.有大规模（万卡级）集群的实际运维或设计经验。

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