平头哥-资深GPU服务器系统测试高级专家-上海/杭州
Alibaba Group · Hangzhou; Shanghai ·
- Experience
- 8+ years
- Company size
- 1000+
Senior GPU server system test expert at Alibaba's chip subsidiary T-Head, leading Linux-based compatibility, stress, and fault-injection testing of GPU servers (driver crashes, PCIe/NVLink issues, ECC errors, firmware failures). Core stack: Linux kernel diagnostics, NVIDIA GPU drivers/CUDA tooling, and test automation in Python/C++/Shell.
- 主导GPU服务器在Linux系统下的兼容性、压力稳定性及异常场景（宕机、GPU掉卡、PCIe/NVLink链路抖动/中断、ECC错误激增、固件升级失败等）专项测试；
- 深度参与GPU驱动、固件、CUDA生态组件的测试方案设计与自动化脚本开发（Python/C++/Shell）；
- 熟悉GPU服务器典型故障注入与诊断工具链（如：基于nvidia-smi/nvml、dcgmi、ipmitool、core dump分析、kdump/kexec等）；
- 联动硬件、驱动、固件、BMC团队，对重大系统级问题（如reboot loop、panic on GPU reset、nvlink topology mismatch）开展跨层级日志采集、时序分析与闭环验证；
- 输出高质量测试报告、故障模式库（FMEA）、调试SOP及可复用的回归用例集。
- 5年以上服务器/高性能计算（HPC）或AI加速平台测试经验；
- 精通Linux内核基础（进程调度、内存管理、中断处理）、PCIe/NVLink协议原理及常见异常表现；
- 熟练掌握NVIDIA GPU驱动架构、固件更新机制、以及常见报错日志（dmesg/nvidia-bug-report.log）的深度解读能力；
- 具备独立完成GPU相关Kernel Panic、Soft Lockup、NMI Watchdog触发等严重故障的现场复现与根因定位能力；
- 熟悉主流GPU服务器厂商硬件架构与BMC管理逻辑；
- 熟练使用Python进行自动化测试开发，熟悉CI/CD集成（Jenkins/GitLab CI）者优先。
加分项：
- 有参与GPU服务器OEM/ODM联合调试经验；
- 熟悉CUDA生态兼容性测试（Driver-CUDA Toolkit-OS版本矩阵）；