云原生&算力集群SRE

1. 01

   算力集群稳定性建设：负责大规模Kubernetes云原生集群、GPU算力集群的日常运维、故障排查、稳定性保障，主导集群核心故障的复盘、根因分析与优化落地，持续降低集群故障发生率，保障7*24小时业务稳定运行。

2. 02

   算力资源管理与调度优化：深入调研算力调度、资源隔离、负载均衡机制，优化集群资源分配策略，解决算力资源碎片化、抢占冲突、资源浪费等问题，提升GPU/CPU算力利用率，支撑海量训练、推理任务高效调度。

3. 03

   云原生运维体系自动化建设：基于云原生技术栈搭建自动化运维、监控告警、日志分析、链路追踪体系，实现集群资源、任务状态、服务指标的全维度可观测，推动运维流程标准化、自动化、智能化。

4. 04

   集群性能调优与成本优化：针对云原生集群、算力集群的网络、存储、调度、内核参数进行深度调优，解决集群延迟高、吞吐低、节点异常等问题；落地算力资源弹性扩缩容、闲置资源回收机制，持续降低基础设施运维成本。

5. 05

   技术迭代与架构升级：跟进云原生、算力基础设施前沿技术，参与集群架构迭代升级，落地容器化、服务网格、分布式算力调度等新技术方案，支撑业务规模化、高性能演进。

6. 06

   业务支撑与应急保障：对接算法、研发业务团队，提供算力集群技术支撑，处理突发线上故障，制定应急预案，保障大模型训练、推理核心业务平稳迭代。

核心能力

1. 01

   本科及以上学历，计算机、软件工程、云计算、网络工程等相关专业，1-3年及以上云原生SRE、算力集群运维相关工作经验。

2. 02

   精通Kubernetes核心原理及组件（kube-apiserver、etcd、scheduler、controller-manager），熟练掌握容器、镜像、PV/PVC、资源配额、污点容忍等核心机制；熟悉Docker、Containerd容器运行时。

3. 03

   有GPU算力集群、AI训练/推理集群运维优化经验优先，熟悉算力调度框架、多卡通信、算力资源隔离、节点故障治理等相关技术。

4. 04

   熟练使用Prometheus、Grafana、ELK、Jaeger等可观测组件，能够独立搭建监控告警体系，精准定位线上集群、网络、资源各类故障。

5. 05

   熟练掌握Go/Python任意一种语言，能够独立开发运维脚本、自动化工具、调度插件，具备二次开发能力优先。

6. 06

   具备良好的线上故障排查能力、抗压能力和问题复盘能力，熟悉Linux内核、网络、存储原理，了解微服务、云原生架构设计思路。 加分项

7. 01

   有大规模AI算力集群运维经验；

8. 02

   K8s开源社区贡献经验、云原生认证（CKA/CKS）、算力调度系统二次开发经验者优先。