腾讯云服务器AI集群网络质量工程师

Job description

Responsibilities

• 负责国内外区线上 AI 服务器网络质量运营；
• 主导 AI 集群网络质量监管控；
• 负责超节点集群 Scale-Up 高速互联域与 Scale-Out 网络网，建设"XPU—交换机—链路"全链路可观测体系；
• 熟悉网络架构和协议，联合服务器网络和交换网络监控进行网络健康分析、完善监控系统；
• 质量管理，硬件失效原理分析和排查。负责链路降速、抖动、系统层抖动等故障定位与稳定性保障；
• 分析数据中心服务器网络质量、超节点 AI 集群互联质量，调优网络性能、质量、配置及监控问题；迭代网络硬件固件版本维护，跟进网卡、超节点交换网络 top 问题 fix。 Requirements
• 本科及以上学历，计算机/电子工程专业，5年以上，丰富的大规模服务器运营/研发经验，精通 x86/ARM /GPU 架构，熟悉交换网络产品，并且对内核有一定整体框架分析经验；
• 扎实 C/shell/python 相关语言基础，能够制定问题复现方案脚本，诊断问题；，具备自主规划脚本 workaround 修复 bug 问题能力，较强的脚本测试能力；
• 需要具备企业服务器问题攻关问题经验，有 AI 服务器质量运营经验优先。熟悉网络硬件演进技术，有网络问题协议分析经验，网络配置、性能、参数排查经验；
• 良好的质量意识，熟悉服务器日志及报错，能够快速识别测试过程中的问题；
• 良好的沟通技巧，具备快速学习了能力，能够协调推动各个部门进行问题解决。