广东数字宇宙技术有限公司

• 运维工程师
• 服务器运维
• GPU服务器
• GPU运维
• AI算力运维
• HPC运维
• Linux运维
• Ubuntu
• Windows服务器
• NVIDIA
• 显卡测试
• 内存测试
• BIOS
• BMC
• 性能测试
• 稳定性测试
• 兼容性测试
• 可靠性测试
• CUDA
• cuDNN
• NCCL
• 驱动调优
• 内核调优
• 安全加固
• vGPU
• MIG
• InfiniBand
• RoCE
• 并行存储
• Lustre
• GPUDirect Storage
• nvidia-smi
• DCGM
• GPU故障排查
• GPU掉卡
• Slurm
• K8s GPU调度
• Ansible
• 算力调度
• 集群运维
• DGX
• HGX
• 昇腾
• 寒武纪

职位类别： 运维工程师

【岗位职责】
1.负责服务器各部件（例如：显卡、内存）测试工作，涉及功能性测试、兼容性测试、性能测试、稳定性测试、可靠性测试、BIOS测试、BMC测试、测试环境搭建及维护等。
2.负责服务器操作系统（Ubuntu/Windows）的安装部署、内核参数与驱动调优，管理CUDA/cuDNN/NCCL等加速库的版本兼容性与升级，完成系统权限、安全加固及版本基线管理。
3.负责公司GPU服务器（含NVIDIA/AMD/昇腾等）、GPU虚拟化平台（vGPU/MIG）、并行存储及高速网络（InfiniBand/RoCE）的日常运维、监控巡检与故障排查，保障AI训练/推理业务7×24小时稳定运行，持续优化SLA。
4.参与服务器上架、高速线缆（IB/光纤）布线规划、GPU卡的硬件更换、固件升级、功耗/散热监控及算力容量规划；熟练使用硬件诊断工具（nvidia-smi、DCGM、Memtest、PCIe链路检测）及时处理GPU掉卡、ECC错误、温度异常、供电不足等硬件故障。
5.参与GPU服务器集群架构优化（算力调度、NVLink/NVSwitch拓扑）、容灾方案设计，推动自动化运维工具（Ansible、Slurm、K8s GPU调度插件）落地，提升集群利用率与运维效率。

【岗位要求】
1. 计算机相关专业，2年及以上服务器运维经验，其中至少1年实际GPU服务器（如DGX/HGX/国产GPU）运维或高性能计算（HPC）集群管理经验；
2. 深入掌握Linux系统管理，熟悉NVIDIA GPU驱动、CUDA生态、NCCL通信库；了解GPU虚拟化（vGPU/MIG）及容器化（NVIDIA Docker）；
3. 熟悉GPU服务器硬件架构（PCIe、NVLink、NVSwitch）、高速网络（InfiniBand/RoCE）及并行存储（Lustre/GPUDirect Storage优先）；具备独立进行GPU硬件故障诊断与维修配合的能力；
4. 熟练使用nvidia-smi、DCGM、GPU-burn、Memtest_G80等硬件压测与诊断工具；
5.具备NVIDIA认证（NCP/NCA）或国产GPU（昇腾、寒武纪）实际运维经验。

• 年龄要求： 20-30岁
• 语言要求： 语言不限

许先生

刚刚在线

查看联系方式

查看联系方式