算力运维工程师-ywfw

优缺点分析

角色解读

• 从基础运维做起，逐步成长为能独立负责大规模算力集群的资深运维工程师
• 可向SRE（站点可靠性工程师）、AI基础设施架构师或云原生平台工程师方向发展
• 在央企平台，可向技术管理或项目管理方向晋升，负责更大规模的算力基础设施建设
• 负责智算中心GPU/NPU集群的日常运维，包括监控、故障排查和性能优化，确保AI训练任务稳定运行
• 参与算力集群的部署、扩容和升级工作，包括固件、驱动更新以及版本管理
• 协助优化GPU资源调度和分配，提升集群资源利用率，并参与分布式存储和容器化训练平台的运维
• 编写运维技术文档和故障处理SOP，沉淀运维知识
• 熟悉Linux操作系统，掌握Shell/Python脚本编程，能够自动化日常运维任务
• 了解GPU/CPU体系架构和CUDA编程基础，对高性能计算有基本认识
• 了解Slurm/Kubernetes等资源调度系统，以及分布式存储或并行文件系统的基础知识

申请策略

• 了解中国电信在智算中心、云网融合方面的战略布局，在面试中展现对业务的兴趣
• 强调学习能力和动手能力，表达对轮值工作的接受意愿
• 突出在校期间使用GPU集群、参与HPC项目或相关竞赛的经历，展示动手能力
• 强调Linux、Shell/Python脚本编写能力，可附上相关项目代码或脚本示例
• 如有Slurm、Kubernetes、分布式存储等实践经验，务必在简历中明确体现
• 提前熟悉Slurm、Kubernetes等资源调度系统的基本概念和操作
• 学习NCCL通信原理、GPU性能监控工具（如nvidia-smi、DCGM）的使用
• 了解分布式存储（如Lustre、Ceph）的基础知识

面试指南

• 对于技术问题，采用STAR法则（情境、任务、行动、结果）描述项目经历，突出解决问题的思路和结果
• 对于排查类问题，可以展示逻辑性，从现象出发，逐步分析可能原因，并给出验证方法
• 对于理解类问题，结合具体场景，说明对技术概念的理解和应用
• 请描述一次你使用GPU集群进行训练或项目开发的经历，遇到什么问题？
• 如何排查GPU显存不足或NCCL通信超时的问题？
• 谈谈你对Kubernetes或Slurm的理解，它们如何管理资源？
• 如果集群出现故障，你的排查思路是什么？
• 你如何理解算力运维工程师的职责？