边缘基础设施运维工程师

Job description

Responsibilities

• 物理基础设施纳管；
• 负责边缘机房 GPU 服务器（NVIDIA A100/H100/L40S 等）、CPU 服务器、存储节点等物理设备的全生命周期管理，包括上架验收、固件/驱动升级、故障诊断与硬件替换；
• 建立和维护硬件资产台账与自动化纳管流程，保障设备信息准确、可追溯。制定并执行硬件巡检计划，定期输出设备健康度报告，对硬件 EOL/EOS 风险进行预警和替换规划；
• 边缘网络与机房运维；
• 负责边缘机房网络设备（交换机、路由器、防火墙等）的标准化配置、日常监控和故障处理，确保边缘节点到中心管控面的网络连通性与低延迟；
• 维护机房网络拓扑文档，参与带宽规划、链路冗余设计和网络割接；
• 与 IDC/运营商对接，处理机房环境（电力、制冷、机架空间）相关事宜，保障基础设施 SLA；
• 容器化平台与云原生运维；
• 管理和维护基于 Kubernetes 的边缘容器平台，负责集群部署、版本升级、节点扩缩容和资源调度策略优化；

实现 GPU 资源的容器化纳管

• 包括 GPU 驱动兼容性管理、GPU Operator 部署、MIG（多实例 GPU）配置、GPU 共享与隔离策略；

建设面向外部客户的算力交付流水线

• 容器镜像管理、Helm Chart 标准化、命名空间/租户隔离、配额管理、监控告警接入；
• 维护平台核心组件（包括但不限于 GPU Operator、Prometheus/Grafana 监控栈、Loki/ELK 日志系统、分布式存储 CSI 插件、Ingress Controller、Service Mesh 等）；
• 服务保障与持续优化；
• 建立并维护 SLO/SLI/SLA 指标体系，保障服务的可用性、性能和容量；
• 编写运维自动化脚本和工具，推动运维操作代码化（Infrastructure as Code），减少人工操作；
• 参与 on-call 轮值，及时响应和处理生产环境故障，输出故障复盘报告；
• 持续关注云原生和边缘计算社区技术动态，推动基础设施架构演进。 Requirements

硬性条件； 学历

• 计算机、通信、电子信息等相关专业本科及以上学历； 经验：3 年以上运维/DevOps/SRE 相关工作经验，其中至少 1 年 Kubernetes 生产环境运维经验； 硬件能力：熟悉 x86 服务器硬件架构，具备 GPU 服务器运维经验，能独立完成硬件故障诊断和更换； 网络能力：理解 TCP/IP 协议栈、VLAN/VXLAN、BGP/OSPF 等路由协议，有交换机 CLI 配置经验；持有 CCNA/HCIA 或以上认证者优先；

云原生能力

• ； 熟练使用 Docker/containerd 等容器运行时； 熟练掌握 Kubernetes 核心原理与运维，有大规模集群管理经验（50+ 节点）； 了解 GPU Operator、NVIDIA Device Plugin、GPU 调度方案；

编码能力

• 熟练使用至少一种脚本语言（Python/Go/Shell），具备自动化工具开发能力； 监控与可观测性：熟悉 Prometheus、Grafana监控体系搭建和使用； Linux：深入理解 Linux 操作系统，熟练掌握常用命令、性能分析工具（top/sar/perf/strace 等）和系统调优；
• 加分项； 有边缘计算场景（Edge Computing）或分布式云平台的运维经验； 有 Terraform/Ansible/SaltStack 等 IaC 工具实践经验； 了解 GPU 算力切分方案（MIG/vGPU/时分复用等），有 GPU 资源池化运营经验； 有面向外部客户（toB）的平台运维或技术支持经验； 熟悉国内主流 GPU 硬件（昇腾、寒武纪、海光等）生态者优先。