工作地点：

北京市

工作职责：

1、硬件运维与故障管理：负责服务器及GPU等智算硬件的日常巡检、故障诊断与修复，确保高可用性。主导硬件监控告警体系建设，制定告警策略，实现故障快速响应。
2、运维体系优化：设计标准化运维流程，推动自动化工具落地，提升运维效率。分析硬件故障数据，优化设备选型与配置，降低故障率。
3、参与智算硬件专项运维：负责GPU集群的部署、性能调优及维护（如CUDA环境配置、NVLink优化）。协同厂商处理JDM/OEM定制化硬件问题。
4、操作系统与性能优化：解决Linux/Windows系统层问题（如内核崩溃、性能瓶颈），完成安全加固。
5、团队协作：指导团队成员，协调跨部门资源，保障业务连续性。

任职资格：

1、大学本科以上学历，并取得相应学位。计算机、网络等相关专业优先；’
2、8年及以上服务器硬件运维经验，熟悉主流服务器硬件架构和工作原理，熟悉x86/ARM架构及GPU运维，能够熟练处理各类硬件故障；
3、精通Linux/Windows系统管理及性能调优（如coredump分析、内核参数优化）。具备监控系统搭建经验（Prometheus/Zabbix），能设计有效告警规则。
4、技术栈要求：
硬件：IPMI/iDRAC管理、RAID/NVMe存储、GPU（NVIDIA SMI/ROCm）。
运维工具：Ansible/SaltStack、日志分析工具（ELK）。
数据分析：熟练使用SQL/Excel进行故障趋势分析。
5、加分项：
有JDM/OEM协作经验或智算集群（如GPU/NPU）运维经验。
熟悉SRE理念，具备自动化运维平台开发能力。
6、具备强烈的责任心，能主动排查隐患，推动问题闭环。具备优秀的沟通能力，适应跨团队协作。