哔哩哔哩
【B-UP】GPU集群调优工程师-服务器故障-校招
【B-UP】GPU集群调优工程师-服务器故障-校招
发布于 大约 15 小时前普通员工/个人贡献者
上海市
无经验要求
全职员工
仅现场办公
本科
信息技术与基础设施
GPU
RDMA
IPMI
Dcgm
AI 估算 · 15k–25k
哔哩哔哩为上市互联网大厂，上海校招工程师薪资有竞争力，参考同规模公司，月薪估计在15k-25k之间，年终奖通常2-4个月。
职位详情
关于这个职位
该职位负责大规模GPU集群的底层调优与服务器硬件故障排查，保障AI训练/推理集群的稳定高效运行
你将深入接触GPU、RDMA网络、Linux系统等前沿技术，参与集群全栈性能优化，是AI基础设施领域的关键角色
最低要求
计算机、网络工程、电子信息、高性能计算、人工智能等相关专业
熟悉 Linux 操作系统，掌握基础 Linux 命令，了解 Shell/Python 任意一种脚本语言，具备基础脚本编写能力
了解计算机网络基础原理，熟悉 TCP/IP、二层 / 三层网络架构，有 RDMA、InfiniBand、RoCE 网络认知者优先
了解 GPU、CUDA 基本概念，接触过分布式计算、高性能集群、AI 训练环境者优先
具备良好的问题排查思路、逻辑分析能力，学习能力强，能接受集群 7×24 应急值守（轮班），责任心强、善于沟通协作
工作职责
工作职责：
参与大规模 GPU 集群日常压测、基线梳理、运维保障，配合完成集群扩容、版本升级、环境标准化工作
基于 Prometheus、Grafana、DCGM 等工具搭建集群监控大盘，输出性能报表、故障分析报告与优化方案
编写 Shell/Python 自动化脚本、运维 SOP、故障处理手册，沉淀技术知识库
协同算法、平台、网络团队，联动定位集群全链路问题，保障大模型训练、分布式任务稳定运行
跟踪 GPU 集群、RDMA 网络、分布式通信前沿技术，持续优化集群架构与运行效率
岗位具体职责：
GPU 硬件故障检测：通过 DCGM、硬件日志定位 GPU 卡掉卡、硬件报错、温度 / 功耗异常、显存故障、MIG 切分异常等问题，配合完成硬件更换与复测
服务器硬件排查：检测主板、CPU、内存、NVMe 硬盘、电源、风扇等硬件故障，分析机柜供电、散热异常引发的节点宕机、重启问题
操作系统故障排查：分析 Linux 系统内核崩溃、OOM、会话卡死、驱动加载失败、定时任务异常等问题，修复系统配置缺陷
带外（BMC/BMS）运维与故障：通过 IPMI 工具排查带外管理链路异常、远程 KVM 失效、硬件监控数据采集失败等问题，落实 BMC 权限与安全管控
容器 / 运行时故障排查：定位 Docker、容器镜像启动异常、资源抢占、挂载失败等问题，保障 PaaS 平台节点稳定
故障闭环管理：建立服务器故障分级机制，复盘高频故障，输出预防方案，降低节点故障率
优先资格
了解服务器硬件结构、BMC/IPMI 带外管理，有服务器运维、硬件排障实习经验优先
AI 洞察
优缺点分析
优点
- 加入哔哩哔哩大厂平台，接触顶尖GPU集群和AI基础设施，技术积累深厚
- 岗位涵盖硬件、系统、网络、容器等多领域，能快速成长为全栈运维专家
- AI算力需求爆发，该领域人才稀缺，职业前景广阔
- 公司提供校招培训体系，导师制助力新人成长
- 需要7×24应急值守轮班，工作强度较大，可能影响生活规律
- 服务器故障排查需要耐心和细致，高压下快速定位问题
- 技术栈要求广泛，需持续学习GPU、RDMA等前沿技术
- 该职位适合对硬件和系统有浓厚兴趣、抗压能力强、喜欢深入钻研底层技术问题的应届生
缺点 / 挑战
暂无明显挑战项
角色解读
- 往GPU集群架构专家方向发展，深入掌握硬件、网络、系统全栈优化技能
- 可转向AI基础设施架构师，负责大规模算力平台的规划与设计
- 也可向运维开发（DevOps）或SRE方向发展，结合自动化与监控能力
- 负责GPU服务器硬件故障排查，包括显卡掉卡、内存错误、温度异常等，通过工具定位并配合更换
- 参与集群监控系统搭建，使用Prometheus、Grafana、DCGM等工具监控集群状态，输出性能报表
- 编写自动化脚本和运维文档，处理Linux系统内核崩溃、容器异常等问题
- 协同算法、平台团队，定位训练任务中的全链路问题，保障大模型训练稳定
- 扎实的Linux操作系统基础，熟悉常用命令和系统排障
- 掌握Shell/Python脚本编程，能编写自动化运维工具
- 了解GPU和CUDA基本概念，熟悉分布式计算或AI训练环境
- 具备网络基础知识，了解TCP/IP、RDMA等高性能网络技术
申请策略
- 面试前了解B站AI业务方向，如视频AI、内容推荐等，展现对公司的兴趣
- 准备一个完整的故障排查案例，展示问题分析思路和解决过程
- 突出GPU、Linux相关的项目或实习经历，如搭建过小集群或写过故障排查脚本
- 强调编程能力，列出Shell或Python的自动化脚本作品
- 如果有服务器运维、硬件排障经验，必须重点描述
- 展示团队协作和沟通能力，如参与过跨团队合作项目
- 自学Linux系统内核调试、GPU驱动基础，熟悉nvidia-smi、DCGM等工具
- 练习Shell脚本编写，如自动化监控、日志分析脚本
面试指南
- 对于故障排查类问题，遵循“收集信息→分析日志→逐步隔离→定位根因→修复验证”的步骤
- 对于知识类问题，先明确概念，再结合实际场景说明应用
- 对于脚本编写，先说明需求分析，再给出核心代码，最后解释逻辑
- 如何定位一个GPU卡掉卡的问题？请描述排查步骤
- Linux系统出现OOM（内存溢出）时，你会如何分析和解决？
- 简述TCP/IP和RDMA网络的区别，以及在高性能计算中的应用
- 编写一个Shell脚本，定期检查服务器硬件状态并发送告警
- 如果你发现集群中某个节点频繁重启，可能的原因有哪些？
职位点评
69
综合评分
大厂校招、前沿GPU集群技术、成长空间大，但需接受轮班和高强度工作。
更适合这类人
最适合重视技术成长、愿意接受高强度轮班、追求前沿AI基础设施经验的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利75
成长发展85
工作生活45
使命价值70
薪资福利
75中等
哔哩哔哩为上市大厂，薪资福利在行业中上水平，但具体薪资未披露，校招通常有竞争力。五险一金、年终奖等福利齐全。
薪资信号未披露（AI估算：15K-25K/月）
成长发展
85较高
岗位涉及GPU集群、RDMA、AI训练等前沿技术，能深度积累基础设施经验。公司有校招培养体系，成长路径清晰。
技术前沿前沿/新兴技术
技术栈GPU、RDMA、DCGM、Prometheus、Docker、Linux
成长机会沉淀技术知识库、跟踪前沿技术
业务类型ambiguous
工作生活
45较低
要求7×24应急值守轮班，仅现场办公，WLB较差。但未明确加班文化，整体生活化动机满足度低。
工作模式仅现场办公
办公地点市区核心地段
加班情况明确要求弹性/高强度
使命价值
70中等
AI算力基础设施是高速增长赛道，对社会科技创新有积极意义。但岗位偏运维，直接使命感不强。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs