系统可用性与性能工程专家（GPU性能与稳定性工程师） - AI算力基础设施

团队介绍：字节跳动基础设施部门，负责字节跳动的全栈算力基础设施，从芯片服务器产研、到超大规模数据中心，到传统云平台和如今的AI Native Cloud，全方位为抖音、豆包、今日头条、飞书、火山引擎等各类产品提供领先、稳定的百万量级大规模算力基础设施服务。我们的领域涵盖数据中心建设、内核操作系统开发、服务器集群管理、高速网络通信、EB级数据存储体系、搜索型数据库探索、基于LLM的AI基础设施的研发调度与治理等，致力于打造业界领先的、面向LLM的AI云原生基础设施架构与产品矩阵。

1、系统可用性提升：面向百万级数据中心服务器和操作系统，与系统技术专家、SRE团队深度协作，设计和研发故障诊断和风险治理工具平台，保障系统软硬件的稳定性；
2、系统性能评测与分析：研发GPU性能基准用例，覆盖计算、通信、内存等维度；研发面向业务场景的CPU和GPU性能观测和分析工具平台；
3、设计并落地集群级GPU稳定性观测架构，覆盖XID错误码、ECC错误、NVLink状态、功耗等核心硬件的关键指标；
4、复杂问题攻关：参与重大故障应急响应，开展跨硬件/OS/应用的可用性与性能问题定位。

1、本科及以上学历，计算机/电子工程/自动化等相关专业，3年以上AI系统基础设施或运维系统的开发经验；
2、深入理解GPU架构与故障模式，熟悉ECC错误、XID错误码体系、NVLink/IB互连拓扑、GPU相关软件；
3、具有GPU相关的基础知识，熟悉CUDA的基本使用，具有一定的CUDA编程能力；
4、编程能力：Python/Go编程能力扎实，具备系统级工具平台开发经验；
5、熟悉Prometheus+Grafana+ClickHouse等可观测性技术栈，具备AI集群指标采集与告警体系建设经验。

加分项
1、具备GPU平台的运维和调度相关的经验，熟悉AI业务场景的运维特点和故障模式；
2、支持过GPU集群通用模型训练/大模型推理优先；熟悉PyTorch，SGLang/vLLM等框架开发使用经验；
3、具备NVIDIA/AMD/国产GPU多平台性能评测与稳定性验证经验。