The posting
岗位职责 1. 负责平台 GPU 计算资源的接入与管理,对接云厂商及自建服务器,建设统一的节点注册、资源发现、健康检查和使用状态管理能力,支持不同来源计算资源的统一使用。 2. 建设训练、评测、数据处理及模型转换任务的资源分配与执行能力,完善队列、GPU 分配、资源配额、并发限制和故障恢复机制,提升多节点、多 GPU 场景下的利用率与运行稳定性。 3. 负责 GPU 节点及其与平台之间的通信链路,完善节点 Agent、心跳、任务下发、状态回传、日志采集及异常重连机制,排查网络、权限、容器环境和节点失联等问题。 4. 负责 S3 兼容对象存储、阿里云 OSS、本地及共享存储的接入与管理,建设统一存储访问能力,完善授权、生命周期、容量监控、备份恢复及成本管理。 5. 优化机器人端、平台、对象存储与 GPU 节点之间的数据传输,支持大文件及海量小文件上传下载、分片传输、断点续传、完整性校验、限流与失败重试,结合缓存、预取和内网链路降低任务准备时间及传输成本。 6. 建设容器镜像、运行环境和基础设施自动化能力,完善 GPU 驱动、CUDA、容器运行时及依赖兼容管理,支持节点初始化、环境自检、批量部署、升级和回滚。 7. 建设计算、存储与网络的监控告警体系,持续分析 GPU 利用率、显存、磁盘 I/O、带宽及任务排队情况,定位容量与性能瓶颈,开展资源规划和成本优化。 8. 参与客户私有化与离线交付,完成云资源、GPU 服务器、网络和存储方案设计及部署验证;对接云厂商和客户 IT,推进资源开通、网络连通、故障处理及运维移交。
任职要求 1. 计算机或相关专业本科及以上学历,有云平台、基础设施、GPU 集群或 DevOps 相关研发与运维经验。 2. 熟悉 Go 或 Python,能够开发资源管理服务、节点 Agent、云 API 对接及自动化工具,具备良好的工程实现和排障能力。 3. 熟悉 Linux、Docker / containerd 和 Kubernetes,理解容器网络、持久化存储、资源配额及 GPU 资源管理,有多节点环境部署或维护经验。 4. 熟悉 NVIDIA GPU、驱动、CUDA 和 GPU 容器环境,能够排查 GPU 不可见、显存不足、驱动兼容及资源占用等问题,理解训练与推理对计算、存储和带宽的需求。 5. 熟悉阿里云或其他主流云平台的计算、网络、存储及权限体系,能够通过 API / SDK 接入资源,处理 VPC、路由、安全组、内外网访问及跨环境连通问题。 6. 熟悉 S3 / OSS / MinIO 等对象存储中的一种或多种,理解分片上传、重试、校验、访问授权和生命周期管理;具备传输吞吐分析及存储容量管理经验。 7. 熟悉 TCP/IP、DNS、HTTP / HTTPS、TLS 及反向代理,能够定位数据传输中的网络、磁盘、并发和服务端限流等瓶颈。 8. 具备监控告警、日志分析、发布回滚及故障恢复实践,能够协同研发、云厂商及客户 IT 解决跨系统问题,并适应客户现场和离线部署场景。
加分项 - 有 GPU 集群、AI 训练推理平台或混合云资源管理经验。 - 熟悉 Kubernetes Device Plugin、Volcano、Kueue、Ray 等资源管理或任务调度组件。 - 有模型与数据集缓存、共享文件系统、跨地域传输或大规模对象存储优化经验。 - 熟悉 Terraform、Ansible、Helm、Prometheus、Grafana、DCGM 等工具,有基础设施自动化及 GPU 监控实践。



