软件开发工程师(GPU系统工具/SDK)

职位描述

1.系统级 SDK 设计与实现

设计并实现 GPU 管理类 SDK（C / C++ / C API），能力覆盖：

设备枚举、属性查询、状态管理

性能指标、健康状态、错误信息采集

拓扑关系（PCIe / Fabric / NUMA / Host-GPU / GPU-GPU）

设计稳定、可扩展、可演进的 API 接口（ABI / API 兼容性

2.工具与服务开发

开发 GPU 管理与运维工具

支持本地、远程、集群级别的 GPU 管理与控制

3.集群与 Fabric 管理能力

参与 GPU 集群互联与 Fabric 管理相关功能设计：

GPU-GPU / GPU-CPU 互联拓扑发现

Fabric 初始化、状态监控、异常检测

支持多卡服务器与多节点集群形态

4.监控、诊断与验证

实现 GPU 运行状态、性能与健康监控（Metrics / Telemetry）

设计并实现验证与诊断工具（硬件 / 驱动 / 系统级）

支持错误注入、压力测试、稳定性验证

5.RAS（可靠性）相关能力

GPU 错误、告警、事件的采集与上报

支持 ECC、硬件错误、链路异常等 RAS 能力

为上层调度、运维系统提供可靠数据基础

6.系统集成与生态对接

对接 Linux 系统、驱动、内核接口（sysfs / ioctl / procfs）

与集群调度系统、监控系统（如 K8s、Prometheus）集成

支持单机、服务器、集群等多部署形态

任职要求

1.扎实的 C / C++ 基础，具备系统级开发经验

熟悉 Linux 系统编程：进程 / 线程 / IPC

文件系统、sysfs、procfs

Daemon / Service 设计

2.熟悉 GPU 或加速器相关软件栈：

GPU 驱动接口

设备管理、性能计数器、错误处理

3.有 SDK / 工具类产品 的设计或维护经验

4.具备良好的工程能力（代码质量、可维护性、文档意识）

加分项

5.有以下工具或同类系统的开发经验：

NVML / nvidia-smi

DCGM / GPU Monitoring

Fabric Manager / 集群管理服务

NVVS / 硬件验证工具

6.熟悉 GPU 架构、PCIe、Fabric / 高速互联

7.有 集群 / 数据中心 / K8s / HPC 相关经验

8.熟悉 性能分析、诊断、RAS 体系

9.有跨团队协作、技术方案设计经验