边缘基础设施运维工程师

职位描述

1.物理基础设施纳管；

2.负责边缘机房 GPU 服务器（NVIDIA A100/H100/L40S 等）、CPU 服务器、存储节点等物理设备的全生命周期管理，包括上架验收、固件/驱动升级、故障诊断与硬件替换；

3.建立和维护硬件资产台账与自动化纳管流程，保障设备信息准确、可追溯。制定并执行硬件巡检计划，定期输出设备健康度报告，对硬件 EOL/EOS 风险进行预警和替换规划；

4.边缘网络与机房运维；

5.负责边缘机房网络设备（交换机、路由器、防火墙等）的标准化配置、日常监控和故障处理，确保边缘节点到中心管控面的网络连通性与低延迟；

6.维护机房网络拓扑文档，参与带宽规划、链路冗余设计和网络割接；

7.与 IDC/运营商对接，处理机房环境（电力、制冷、机架空间）相关事宜，保障基础设施 SLA；

8.容器化平台与云原生运维；

9.管理和维护基于 Kubernetes 的边缘容器平台，负责集群部署、版本升级、节点扩缩容和资源调度策略优化；

10.实现 GPU 资源的容器化纳管：包括 GPU 驱动兼容性管理、GPU Operator 部署、MIG（多实例 GPU）配置、GPU 共享与隔离策略；

11.建设面向外部客户的算力交付流水线：容器镜像管理、Helm Chart 标准化、命名空间/租户隔离、配额管理、监控告警接入；

12.维护平台核心组件（包括但不限于 GPU Operator、Prometheus/Grafana 监控栈、Loki/ELK 日志系统、分布式存储 CSI 插件、Ingress Controller、Service Mesh 等）；

13.服务保障与持续优化；

14.建立并维护 SLO/SLI/SLA 指标体系，保障服务的可用性、性能和容量；

15.编写运维自动化脚本和工具，推动运维操作代码化（Infrastructure as Code），减少人工操作；

16.参与 on-call 轮值，及时响应和处理生产环境故障，输出故障复盘报告；

17.持续关注云原生和边缘计算社区技术动态，推动基础设施架构演进。