AI集群运维（大模型）

岗位职责

1. 多地域AI集群的 K8s 平台搭建、调优（apiserver / etcd / scheduler / kubelet等核心组件）、版本升级、参数变更与日常巡检

2. 自研训推平台系统的部署、发布与变更

3. 集群节点上下线流程管理、与硬件运维协同处理故障节点

4. 集群故障定位与恢复：包括控制面降级、apiserver 性能异常、etcd OOM、节点批量 NotReady、慢节点、网络异常等典型场景

5. 集群与服务器安全加固（CIS 基线、kubelet 参数、network policy 落地）、堡垒机联动、运维审计

6. 故障应急 Runbook 与 SOP 文档编写，主导或参与故障复盘

任职要求

• 计算机科学与技术、软件工程、信息系统等计算机相关专业，本科及以上学历
• 4 年以上大规模 K8s 集群运维经验
• 精通 K8s 核心组件（apiserver / etcd / kubelet / scheduler / controller-manager）原理与调优方法
• 熟悉容器运行时（containerd / runc）与 Linux cgroup 机制
• 熟悉 K8s 网络方案：主流 CNI 实现（Calico / Cilium / Flannel 等）、kube-proxy、Service / Ingress / NetworkPolicy、DNS、Cilium 等核心组件原理
• 具备 K8s 集群网络排障能力：能够使用 tcpdump、conntrack、iptables、ip netns、ss、ethtool 等工具进行网络问题定位与抓包分析，能定位跨节点网络异常、Pod 网络不通、Service 转发异常等典型问题
• 熟悉至少一种 GPU 调度方案（Volcano / Kueue / KAI ）
• 熟悉 Linux 系统管理，包括性能调优、内核参数、systemd、网络栈
• 具备 Shell 脚本能力，掌握 Python 或 Go 中至少一种，可独立开发运维工具
• 接受 7×24 二线 oncall 值班安排