数据中心服务器生命周期资深工程师
岗位摘要
构建自动化系统，以支持大规模数据中心服务器集群运营；定义并负责端到端系统生命周期策略，涵盖从配置、部署到运行、维护、更新与退役的全过程，并维护常见生命周期事件（如硬件故障、固件升级、集群轮换）的自动化与操作流程
岗位职责
- 构建自动化系统，以支持大规模数据中心服务器集群运营
- 定义并负责端到端系统生命周期策略，涵盖从配置、部署到运行、维护、更新与退役的全过程，并维护常见生命周期事件（如硬件故障、固件升级、集群轮换）的自动化与操作流程
- 与基础设施安全团队紧密合作，设计并执行贯穿服务器生命周期的可信计算标准
- 与网络团队密切协作，确保所有站点之间的端到端连通性
- 构建并维护工具，以跟踪整个数据中心集群中机器的健康状态、配置与运行状态
任职要求
- 具备服务器硬件实操经验，包括机架部署、布线、故障排查，并理解大规模环境中的故障模式
- 对硬件生命周期管理有端到端理解，包括资产跟踪、配置工作流、维护排程与退役实践
- 精通至少一种编程语言（例如 Python、Rust、Go 或 Java）
- 具备现代云基础设施的工作知识，包括 Kubernetes 和大规模云服务商（例如 AWS、Azure、GCP）
- 能够与广泛的利益相关者清晰沟通并建立共识
- 能在模糊环境中推进工作，并在复杂跨职能问题上取得进展
- 8年以上数据中心基础设施管理或密切相关领域经验
- 具备 GPU 或 AI 加速器硬件（例如 NVIDIA A100/H100、Google TPU 或 AWS Trainium）的实操经验，并理解其运营需求
- 熟悉 LinuxBoot 和 NixOS 等现代配置与操作系统工具
- 有构建或参与数据中心自动化或集群管理平台的经验