GPU 服务器集群管理

职位描述

1. 配置、管理高性能 GPU 服务器集群，确保其全天可用、性能可靠、可监控。

2. 提升服务器集群的日常利用效率，减少闲置或拥挤。

3. 通过标准化和自动化，协调管理不同型号、来自不同供应商的 GPU 服务器集群。

4. 处理服务器故障等紧急情况。

任职要求

1. 计算机科学或相关专业。

2. 具备管理 GPU 集群 / HPC 集群 / 超算集群的经验。

3. 熟练掌握 Linux 系统管理技能，包括网络、进程、软件包、日志、监控、权限等方面。

4. 掌握 GPU 系统管理技能，包括 GPU 驱动、GPU 监控、处理 GPU 故障等方面。

5. 掌握高性能网络（如 Infiniband、RoCE）管理技能。

6. 掌握高性能文件系统（如 ZFS、NFS、Lustre）管理技能。

7. 掌握集群调度器（包括 Slurm、Kubernetes）管理技能。

8. 具有通过自动化方式提升集群使用效率经验者优先，包括降低设备空置率、降低软件故障（如 OOM）率、降低故障响应时间等。

9. 具有国产加速卡管理经验者优先。

10. 具有担任重要集群的管理责任人经历者优先。