米哈游GPU 集群 SRE 工程师（稳定性治理）

工作描述

任职要求
1、本科及以上学历，计算机相关专业，5 年以上 SRE / 云原生平台 / 大规模集群运维经验，其中 GPU 或异构算力集群相关 2 年以上；
2、具备完整的 SRE 工程实践经验，且主导落地过其中至少两项：SLO 定义与度量、告警治理、oncall 体系、变更管理、故障演练与复盘改进；
3、熟悉 NVIDIA GPU 软件栈（驱动、CUDA、NCCL、DCGM），具备掉卡、显存异常、通信退化与性能问题的定位经验；
4、熟悉 RoCE / InfiniBand 组网，有 PFC/ECN 调优与网络侧故障排查经验；
5、深入理解 Kubernetes 与云原生生态，有生产级集群运维与故障排查经验；熟悉 Volcano / Kueue / Koordinator 等 AI 批调度框架，理解配额与队列管理机制；
6、熟练掌握 Prometheus / Grafana，理解指标口径设计、高基数问题与告警治理方法；
7、熟练掌握 Go 或 Python，…