中国平安
IaaS运维高级工程师
IaaS运维高级工程师
发布于 大约 11 小时前普通员工/个人贡献者
深圳市
高级经验
全职员工
仅现场办公
本科
信息技术与基础设施
CUDA
数据中心运维
NVIDIA
GPU服务器
AI 估算 · 15k–25k
深圳高级运维工程师市场薪资范围，GPU技能加分，15-25k属合理区间。
职位详情
关于这个职位
该职位负责大规模物理服务器（含GPU服务器）集群的部署、监控、维护与优化，保障系统高可用性
主要工作包括GPU驱动与CUDA环境配置、自动化运维脚本开发、硬件故障处理及监控体系搭建，需具备5年以上运维经验和扎实的Linux功底
适合对GPU集群、AI基础设施感兴趣的技术专家
最低要求
本科及以上学历，计算机、通信、电子或相关专业
年以上服务器运维经验，具备大规模数据中心运维背景者优先
精通Linux系统的安装、配置、优化与故障排查
熟悉主流服务器品牌（如Dell、HPE、浪潮、华为）的硬件架构与管理工具（iDRAC、iLO、BMC等）
具备GPU服务器运维经验，熟悉NVIDIA GPU驱动、CUDA、NCCL、NVIDIA Driver、NVLink、GPUDirect等技术
熟练掌握Shell/Python脚本编程，能编写自动化运维脚本
熟悉Ansible、SaltStack、Puppet等配置管理工具者优先
熟悉监控系统（Prometheus + Grafana、Zabbix、ELK等）的搭建与使用
了解TCP/IP、VLAN、BGP等网络基础知识，能配合网络团队完成服务器网络配置
具备良好的问题分析与解决能力，能在高压环境下快速响应并处理紧急故障
具备较强的责任心、团队协作能力与文档编写能力
有AI平台、云计算、高性能计算（HPC）或大规模GPU集群运维经验者优先
工作职责
负责大规模物理服务器集群（含GPU服务器）的部署、配置、监控、维护与优化，保障系统高可用性与稳定性
主导GPU服务器（如NVIDIA A100/H100等）的部署、驱动安装、CUDA环境配置及性能调优，支持AI训练与推理业务
设计并实施服务器自动化运维方案，包括系统初始化、固件升级、配置管理、批量部署等，提升运维效率
负责服务器硬件故障诊断与处理，协调厂商进行维修与更换，建立完善的硬件生命周期管理机制
搭建和维护服务器监控体系（如Prometheus、Zabbix、Grafana等），实现对CPU、内存、磁盘、GPU利用率、温度、功耗等关键指标的实时监控与告警
配合DevOps团队实现CI/CD流程中对物理资源的自动化调度与管理
编写和维护技术文档，包括部署手册、故障处理SOP、应急预案等
参与机房基础设施规划，协助完成服务器上架、网络布线、电源管理等现场运维工作
跟踪GPU、AI计算、高性能计算（HPC）等领域的最新技术趋势，推动运维体系持续演进
AI 洞察
优缺点分析
优点
- 接触前沿GPU集群技术（A100/H100），积累AI基础设施经验，市场价值高
- 平安作为大型企业，平台稳定，技术体系完善，有较好的职业背书
- 职责涵盖自动化、监控、硬件等多方面，技能树提升全面
- 需高频现场处理硬件故障和紧急事件，工作强度大，可能涉及on-call
- 对Linux和GPU底层技术要求高，学习曲线陡峭
- 适合热爱底层技术、动手能力强、喜欢GPU与高性能计算领域的资深运维工程师
缺点 / 挑战
- 大规模数据中心运维压力较大，需快速响应高压环境
角色解读
- 可向AI基础设施架构师方向发展，专注于GPU集群优化与高性能计算
- 可转型为云计算平台运维专家，负责私有云或混合云架构
- 也可走向SRE或DevOps工程师，深化自动化与CI/CD能力
- 负责大规模物理服务器（含GPU服务器）的部署、配置、监控与维护，保障系统高可用性
- 主导GPU服务器的驱动安装、CUDA环境配置及性能调优，支撑AI训练与推理业务
- 设计自动化运维方案，编写Shell/Python脚本，提升运维效率
- 参与机房基础设施规划，处理硬件故障，搭建监控体系
- 精通Linux操作系统，具备5年以上服务器运维经验
- 熟悉GPU服务器运维，掌握NVIDIA驱动、CUDA、NCCL等技术
- 熟练掌握Shell和Python脚本编程，能开发自动化运维工具
- 熟悉监控系统（Prometheus+Grafana等）和配置管理工具（Ansible等）
申请策略
- 了解平安的AI业务方向（如金融科技、云服务），在面试中展示对业务的理解
- 准备一个完整的GPU集群运维项目案例，从部署到监控到故障处理
- 突出GPU服务器运维经验，包括具体型号（A100/H100）、CUDA环境配置及性能调优案例
- 强调自动化运维成果，如自动化脚本、配置管理工具的使用和效率提升数据
- 体现大规模数据中心背景，管理过的服务器规模和处理过的故障类型
- 深入学习NVIDIA GPU相关技术栈，包括CUDA编程、NCCL、GPUDirect等
- 加强Python编程能力，尤其是运维自动化框架如Ansible、SaltStack
- 熟悉Prometheus+Grafana监控体系，掌握告警规则和仪表盘设计
面试指南
- 针对故障处理问题，使用STAR法则（情境-任务-行动-结果），突出技术细节和解决思路
- 对于设计类问题，首先明确需求（规模、指标、告警），然后选型（Prometheus+ Grafana），最后说明分层架构和数据流
- 对于技术细节问题，直接回答关键步骤，并展示对底层原理的理解（如驱动、CUDA版本兼容性）
- 请描述你处理过最复杂的GPU服务器故障，以及解决过程
- 如何设计一个大规模服务器监控系统？请从技术选型、架构、告警策略等方面说明
- 解释CUDA环境配置的关键步骤和常见问题（如驱动版本兼容性）
- 如何在高压环境下快速响应并处理紧急故障？举例说明
- 谈谈你对IaaS运维自动化的理解，以及如何提升运维效率
职位点评
Watch Jobs