1. 集群管理与维护：

   • 负责算力集群日常管理与维护，包括服务器、存储设备、网络设备的安装、配置、监控及故障处理。
   • 定期检查集群资源使用情况，分析并优化资源分配，保障系统稳定运行。
   • 对系统日志、监控数据等进行分析，及时预警和解决潜在问题。

2. 性能调优：

   • 负责集群的性能分析和调优，根据实际应用需求优化计算资源和网络性能。
   • 利用各类调优工具对系统瓶颈进行分析并采取优化措施，提升算力集群整体运行效率。

3. 安全管理：

   • 执行和维护机房内的安全策略，确保设备和数据的安全性。
   • 定期进行系统和网络安全检查，及时进行漏洞修补和安全防护升级。

4. 应急响应与故障排除：

   • 制定并执行应急响应计划，快速定位并解决系统故障。
   • 在集群出现异常时进行故障排查和修复，恢复系统正常运行。

5. 系统升级与更新：

   • 根据需求进行集群硬件和软件的升级和扩容，保证系统兼容性和高可用性。
   • 定期更新操作系统、驱动程序和应用软件，确保算力集群性能的持续提升。

6. 文档管理与报告：

   • 完成运维记录、故障排查文档、技术操作手册等文档管理工作。
   • 定期提供运维数据分析和总结报告，帮助决策制定和资源规划。

二、岗位要求：

• 熟悉Linux/Unix操作系统，具备网络、存储、集群调度的基础知识。
• 有GPU、AI加速器等硬件设备运维经验，熟悉服务器硬件管理。
• 良好的故障分析和排查能力，能够独立进行问题的定位和解决。
• 具备良好的团队协作和沟通能力，有较强的责任心和服务意识。