阿里云阿里云智能-IaaS自动化平台开发专家-北京 / 杭州
任职要求
1. 计算机或相关专业本科及以上学历，4 年以上大型分布式系统或基础设施平台开发经验； 2. 有大规模 IaaS 自动化平台 / GitOps 的实际开发或深度使用经验； 3. 具备扎实的系统编程能力，熟悉 Linux 系统原…
工作职责
阿里云天基集群管理团队，负责阿里云天基平台的开发，是阿里云四大基础平台之一。公共云天基服务承载着飞天操作系统中基础计算、存储、网络组件的生命周期管理以及硬件自动化运维体系，管理着百万级服务器及千万级应用实例，高可靠、自动化、智能化是天基平台一直以来的目标。 核心职责 1. 主导 IaaS 自动化运维平台的核心模块设计与开发，包括自愈系统架构设计及优化，大规模场景下服务器及应用全生命周期管理； 2. 推动 IaC、运行时参数分离等方式完成“不可变基础设施”理念的落地； 3. 设计并实现高可用、可水平扩展的分布式 Git 对象存储系统； 4. 探索通过 AIOps 提高 IaaS 场景下异常检测、根因分析、自愈决策等能力；
1）负责阿里云AI人工智能平台（PAI）运维工作，建设超大规模GPU集群稳定性体系，包括可观测性链路、监控报警，故障应急及处置、SLA可用率度量提升等 2）研发AI运维管控平台，通过自动化提升运维效率，包括交付&变更CICD、GPU节点交付&自愈、智能诊断定界等 3）落地AIOps智能运维，通过AI算法提升稳定性，包括异常检测、根因定位及基于大模型&智能体Agent运维落地等 4）负责稳定性架构设计及项目组织推动落地，包括基础架构云原生化、跨AZ高可用架构、产品可运维性架构演进等
1.负责腾讯云公有云客户云上售后SRE专家支持工作，为客户提供容灾高可用，业务部署优化，架构优化，成本优化，容量管理，业务连续性治理等方面的专家服务； 2.帮助客户进行应用部署架构的梳理与优化，通过云产品自身提供的高可用能力或者业界主流的容灾方案，为客户提供容灾高可用优化方案的设计与实施； 3.通过混沌工程等演习手段，设计并实施客户应用业务层面的容灾方案与验证； 4.对常见的互联网IT故障，设计应急预案并工具化落地，帮助客户实现容灾自动化逃生能力，达到客户业务对 RTO/RPO 要求； 5.通过产品化，工具化的思路，提升客户在云上SRE管理与治理方面的体验与效率。
团队介绍：IaaS字节跳动基础架构IaaS团队致力于不断创新，推动云计算产业发展和IaaS架构演进。作为云计算基座我们服务了字节跳动旗下包括抖音、今日头条、西瓜视频、飞书等明星产品， 并通过火山引擎云基础产品服务外部客户：包括金融、汽车、游戏、电商、社交媒体、高端制造、科研院所等各行各业的丰富场景， 为亿级用户量的APP和ToB业务提供安全、稳定、高性价比的算力。 我们坚持全栈自研，软硬一体，全面拥抱云原生， 在技术上追求极致： -基于智能库存调度、精细化监控以及自动化运维能力， 来管理遍布全球超百万台规模的服务器集群； -自研高吞吐、低延迟、高弹性的网关网元以及高弹性高并发的计算存储服务来应对抖音春晚、双十一等各种流量洪峰； -打造万卡超大规模的GPU集群， 与机器学习平台、火山方舟一起构建了从基础设施到模型生态的完整解决方案； -此外，还提供和火山引擎公有云同源架构的veStack混合云平台，支撑客户的本地化部署和跨云资源的弹性伸缩等。 1、负责大模型训练和推理所需的IaaS基础设施的规划、建设与维护； 2、与业务团队密切合作，支持业务新算法和模型的集成，并优化其在IaaS基础设施上的性能； 3、开发和维护自动化工具，提高大规模模型基础设施的可观测性、可扩展性和可管理性； 4、跟踪业界AI新兴技术和行业趋势，参与新技术的研究与应用，推动基础设施的持续升级。
1.负责腾讯云公有云客户云上售后SRE专家支持工作，为客户提供容灾高可用，业务部署优化，架构优化，成本优化，容量管理，业务连续性治理等方面的专家服务； 2.帮助客户进行应用部署架构的梳理与优化，通过云产品自身提供的高可用能力或者业界主流的容灾方案，为客户提供容灾高可用优化方案的设计与实施； 3.通过混沌工程等演习手段，设计并实施客户应用业务层面的容灾方案与验证； 4.对常见的互联网IT故障，设计应急预案并工具化落地，帮助客户实现容灾自动化逃生能力，达到客户业务对 RTO/RPO 要求； 5.通过产品化，工具化的思路，提升客户在云上SRE管理与治理方面的体验与效率。