高性能集群运维-郑州(J10238)

优缺点分析

角色解读

• 技术专家路线：深耕HPC与异构计算（如GPU、AI）运维，成为领域内的技术权威，参与复杂架构设计与优化
• 解决方案架构师：结合行业知识（如AI、CAE），为客户提供高性能计算整体解决方案
• 技术管理路线：负责运维团队管理，制定技术规划与运维标准，提升整体服务效能
• 负责大规模高性能计算集群（涵盖计算、存储、网络、软件）的日常运维、监控与故障处理，保障系统7x24稳定运行
• 解决用户在集群使用过程中遇到的各类系统级问题，提供技术支持以确保其业务流程顺畅
• 通过开发Shell/Python脚本等工具，实现运维自动化，持续优化标准化运维流程与规范
• 在运维过程中主动识别产品缺陷或功能不足，收集整理后反馈给产品研发团队，推动产品迭代
• 精通Linux操作系统，熟练使用Shell脚本进行自动化处理
• 具备高性能计算（HPC）集群管理与运维实战经验，熟悉SLURM/PBS/LSF等至少一种作业调度系统
• 了解并行计算原理及技术（如MPI、OpenMP、CUDA），能够支持用户进行并行应用的调试与运行
• 拥有超算中心或大型数据中心运维背景者尤佳，同时需要具备出色的学习能力和细致的工作态度

申请策略

• 研究中科曙光在高性能计算、AI算力等领域的最新动态和产品，了解其技术栈和客户群体
• 在面试中展现出对HPC技术的热情和对运维工作中细节、流程的重视，这与岗位要求的‘责任心强，踏实细致’高度契合
• 重点突出在Linux环境下使用Shell/Python进行自动化运维的具体项目案例和成果
• 详细描述管理或维护过的集群规模、使用的作业调度系统（SLURM/PBS等）以及解决过的复杂技术问题
• 如果有并行程序开发（MPI/CUDA）或在特定行业（如AI训练、科学计算）应用HPC的经验，务必明确说明
• 强调在大型数据中心或超算中心的工作经历，以及参与运维流程优化、工具开发的具体贡献
• 系统复习和深入掌握Linux系统调优、性能分析工具（如perf, strace）及Shell高级编程技巧
• 学习并实践至少一种作业调度系统（推荐SLURM）的部署、配置与管理

面试指南

• 使用STAR法则（情境、任务、行动、结果）清晰描述处理问题的全过程，重点突出你的技术思路、使用工具和最终效果
• 对比技术点时，从设计目标、适用场景、管理粒度、配置复杂度等多个维度进行客观分析，体现你的理解深度
• 排查问题应遵循系统化思维：从作业调度日志、网络、存储IO、计算节点资源、程序本身（如MPI通信）等由外到内分层排查
• 结合JD要求（如Linux、HPC经验、并行知识、自动化、责任心）展开阐述，并举例支撑
• 请描述一次你处理过的最复杂的HPC集群故障，你是如何定位并解决的？
• 你了解SLURM和PBS调度系统的主要区别吗？你更倾向于使用哪一个，为什么？
• 如果用户反馈一个MPI并行程序在集群上运行缓慢，你会从哪些方面入手进行排查？
• 你认为一个优秀的HPC集群运维工程师，应该具备哪些核心能力和素质？