AI网络运维工程师
岗位摘要
负责工业计算数据中心内生产AI网络基础设施的运行健康、可用性与可靠性；监控、排查并解决网络事件，达成服务级别目标（SLO），降低平均检测时间（MTTD）和平均恢复时间（MTTR）；运营并维护支撑GPU计算、存储和管理网络的大规模以太网架构
岗位职责
- 负责工业计算数据中心内生产AI网络基础设施的运行健康、可用性与可靠性
- 监控、排查并解决网络事件，达成服务级别目标（SLO），降低平均检测时间（MTTD）和平均恢复时间（MTTR）
- 运营并维护支撑GPU计算、存储和管理网络的大规模以太网架构
- 以最小客户影响执行生产网络变更、维护窗口和容量扩展
- 管理硬件生命周期，包括交换机和光模块更换、RMA协调、软件升级和预防性维护
- 与部署和工程团队合作，支持新的AI集群部署、数据中心扩展和基础设施迁移
- 与云服务提供商（CSP）、托管服务商、Smart Hands团队和硬件供应商合作，维护生产基础设施
- 对生产事件进行根本原因分析（RCA），并推动永久性纠正措施，消除重复问题
- 构建并维护监控、遥测、仪表盘和告警，提升网络可观测性和主动问题检测能力
- 编写并改进运维手册、操作手册、故障排查文档和标准操作程序
- 使用Python和基础设施自动化框架自动化重复性运维任务，减少重复劳动并提高效率
- 持续识别提升服务可靠性、可扩展性、运维成熟度和工程效率的机会
任职要求
- 计算机科学、网络工程或相关专业学士学位，或同等实践经验
- 5年以上运营大规模数据中心、云、AI或HPC网络基础设施的经验
- 具有支持高可用性要求的生产网络环境的经验
- 具备以下一个或多个平台的实践经验：Cisco NX-OS、Arista EOS、NVIDIA Spectrum / Cumulus Linux或Juniper JunOS
- 深入了解二层和三层网络、BGP、OSPF、ECMP、MLAG、LACP、VRF和VLAN
- 具有排查物理基础设施的经验，包括光纤、光模块、DAC/AOC线缆和高速以太网链路
- 具有执行软件升级、硬件维护和生产变更管理的经验
- 出色的分析和故障排查能力，能够清晰地向各团队沟通技术风险
- 优先具备运营AI或高性能计算（HPC）网络环境的经验