HPC 系統效能優化與平台開發工程師

Job description

與公司團隊成員密切合作，負責端到端高效能運算（HPC）平台的規劃、建置、維運與優化，確保系統穩定、高效與安全。

核心工作項目包括

• HPC 軟硬體叢集架構規劃 設計高效能運算叢集的整體架構，包含計算節點、儲存系統與高速互聯網路，評估效能需求並優化資源配置。
• 網路系統設定與管理 規劃與部署高速網路（如 InfiniBand、Ethernet），進行效能調校、流量監控與故障排除，確保低延遲與高頻寬傳輸。
• HPC 叢集建置、自動化管理與硬體維護
• 執行叢集硬體機架組裝、佈線、配置與預防性維護。
• 開發與實施自動化工具（例如 BCM、Ansible、Slurm、Kubernetes），實現叢集部署、監控與擴展。
• 管理CPU、GPU計算節點、GPU 加速器與儲存設備的生命週期。
• 平台運行問題診斷與解決
• 處理 HPC 平台運作中的技術、效能與資安問題，包括系統崩潰、資源爭用與漏洞修補。
• 快速回應事件，進行根本原因分析（RCA）並制定預防措施。
• 軟硬體維運與系統監控
• 持續監控系統健康狀態（使用 BCM、Nagios、Prometheus、Grafana 等工具），確保軟硬體設備 24/7 正常運轉。
• 執行 RHEL 作業系統與應用軟體的安裝、升級與最佳化。
• 硬體專業疑難排解
• 在 Linux 叢集環境中診斷並解決伺服器、網路設備與周邊硬體故障，應用邏輯分析與診斷工具。
• 協調供應商 RMA 流程，確保最小化停機時間。
• 核心技術領域知識
• 具備高效能運算 (HPC)、腳本語言（Shell、Python）、Linux 管理、作業系統（Linux、Windows）、電腦網路的紮實領域知識。
• 熟練 Linux 系統操作與管理，包括指令使用、系統調校（Kernel 優化）、平行檔案系統建置管理（WekaFS、Lustre、NFS、BeeGFS）、容器化技術（Docker、Podman、Singularity），以及故障排除能力。
• 具備基礎至進階網路知識，包括網路設定、管理、分析與常見服務（如 DNS、DHCP、Web Service、LDAP），並能處理網路安全與效能優化。
• 程式開發與自動化能力
• 熟悉 Python、Go、C/C++ 或 Bash 等程式語言，具備腳本開發、自動化工具設計與 DevOps 實務經驗。
• 具備 HPC 軟體安裝與管理經驗，以及效能基準測試（Benchmarking）工具的使用。
• HPC 特定工具與經驗
• 具備 HPC 相關工具經驗，包括作業排程器（Slurm）、並行計算框架（MPI、OpenMP、NCCL）、GPU 加速（CUDA、ROCm）、叢集佈署與監控工具 BCM 等，能進行系統效能調優與資源分配。
• 熟悉 Kubernetes 操作與管理，具備容器化 HPC 應用部署經驗。
• 熟悉進階儲存與 I/O 系統（如 WEKAFS、Lustre、GPFS），以及 HPC 叢集監控工具，能進行系統效能調優與資源分配。
• 軟技能與適應能力
• 具備良好的溝通表達、問題理解與解決能力，能有效應對進退情境，並持續自我學習新興技術（如 AI/ML 在 HPC 的應用）。
• 強大的團隊合作精神，能編寫技術文件、進行知識分享，並處理跨部門協作（如與研究人員或開發團隊）。
• 證照與優先條件
• 具備 Linux 相關專業證照（如 RHCE、LPIC），或網路認證（如 CCNA、CCNP）。
• 具備 Kubernetes 相關證照（如 Certified Kubernetes Administrator, CKA），或資安知識（如 CISSP、CompTIA Security+、CEH）。
• HPC 特定證照（如 NVIDIA Certified Associate）或雲端認證（如 AWS Certified Solutions Architect）將被視為加分項，強調資安在 HPC 環境的應用（如加密傳輸、訪問控制）。
• 具備 HPC 管理、監控、統計、分析、應用相關工具或系統平台開發經驗尤佳