高级集群站点可靠性工程师

Voleon 是一家将最前沿的机器学习技术应用于金融实际问题的科技公司。近二十年来，我们在行业中保持领先，一直工作在将机器学习应用于投资管理的前沿。我们已经成长为管理数十亿美元资产的资产管理机构，并且对未来有着雄心勃勃的目标。

作为一名高级集群站点可靠性工程师（SRE），你将帮助扩展我们的研究计算集群，以满足不断增长的需求，并通过工程能力确保系统具有高在线率、高可靠性和高鲁棒性。我们的研究集群是研发工作的核心，你将直接负责保持这一关键资源的可用性和高性能。你的工作将为研究人员提供世界级的高性能计算平台，使其能够专注于大规模前沿机器学习问题。

你将同时支持本地部署和云端基础设施，为公司技术团队提供最佳使用体验。你将利用基础设施即代码（IaC）、自动化以及 SRE 原则，持续打磨和完善这套 24/7 运行、支撑 Voleon 业务的平台。

集群运营团队处在一线，负责实时运维问题的分诊和缓解。你将成为该团队的关键成员，以高优先级解决日常问题，同时从工程角度设计系统性改进和架构级修复，防止问题反复出现。你将与工程团队协作，改进监控和遥测体系，帮助设计并监督运维框架，确保集群在严格 SLA 下稳定运行。

• 【岗位职责】
• 在集群故障或出现问题时作为第一响应人，及时分诊并处理紧急问题
• 确保集群达到多个“9”的高可用水平，并定义及跟踪 SLA 以量化可靠性
• 诊断系统性或反复出现的问题模式，与工程团队协作设计精准解决方案
• 建立健全的集群健康度指标和可观测性体系，并以此驱动工作重点；在现成方案不足时构建定制化观测机制
• 协助软件和研究团队设计公平使用集群的策略，并制定和实现相应的执行机制
• 协助进行集群容量和规模增长预测，选择合适的扩展策略，在成本和易用性之间进行权衡与优化

• 【优先考虑】
• 在 HPC 框架（如 Slurm、Grid Engine）和基于 Kubernetes 的任务编排系统（如 Airflow、Kueue、Kubeflow Pipelines）方面有实际经验，并接触过其他分布式计算框架（如 Ray、Modin、Dask、Spark）
• 熟悉主流机器学习框架（如 PyTorch/TensorFlow、JAX、Horovod、DeepSpeed）
• 熟悉混合云 / 本地混合部署环境
• 在 HPC/批处理计算场景下使用容器技术（如 Docker、Podman、Singularity）的经验
• 有 HPC 网络（如 InfiniBand、RDMA）相关经验
• 具备扎实的安全与 IAM 基础（身份管理系统、AWS/GCP IAM、零信任架构等）

【薪酬与福利概况】
该岗位在发布地的基础年薪范围为 205,000–235,000 美元。具体薪资将综合教育背景、经验、知识、技能及所在地区等因素确定。基础薪资不包含奖金及其他福利。福利包括：医疗、牙科和视力保险，寿险及意外身故伤残保险，20 天带薪休假、9 天病假，以及公司配比的 401(k) 退休计划。

该职位属于平等机会雇主岗位，我们在招聘和录用过程中不会因种族、肤色、宗教、信仰、国籍、年龄、性别、性别认同、婚姻状况、性取向、基因信息、退伍军人身份、公民身份或其他法律禁止的因素而区别对待。

公司在招聘流程的部分环节可能使用人工智能（AI）工具辅助招聘团队，但不会取代人工判断，最终录用决策由人类做出。如需了解数据处理方式，可与我们联系。

• 【任职要求】
• 5 年及以上 SRE 或 DevOps 相关经验，优先考虑担任过高级工程师或技术负责人的候选人
• 了解 HPC/批处理计算框架（如 Slurm、Kueue、AWS/GCP Batch）和/或机器学习训练系统（如 Kubeflow、MLflow、Horovod）
• 能够使用常见脚本语言（如 Python、Ruby 等）开发中等复杂度的脚本和工具
• 熟悉基础设施即代码及配置管理工具（如 Terraform、Ansible）
• 具备云基础设施经验（AWS 或 GCP）
• 熟悉现代可观测性技术栈（如 Prometheus、Grafana、Loki、ELK、OpenTelemetry）的设计与实施
• 有分布式存储技术（如 Lustre、Ceph、S3）相关经验
• 具备“系统工程师”思维而非传统“系统管理员”思维，能够系统化思考并充分利用自动化
• 计算机科学相关本科及以上学历

• 基础年薪范围为 205,000–235,000 美元（视教育背景、经验、技能和地区等因素而定），不含奖金及其他形式的总薪酬。福利包括：
• 医疗保险
• 牙科保险
• 视力保险
• 人寿及意外身故伤残保险
• 20 天带薪年假
• 9 天病假
• 公司配比的 401(k) 退休计划

公司另设“Friends of Voleon”候选人推荐计划，如成功推荐候选人入职，有机会获得 15,000 美元推荐奖励（具体资格及条款需以官方说明为准）。

The Voleon Group 是一家专注于将最先进的机器学习技术应用于金融领域实际问题的科技与资产管理公司。近二十年来，公司一直在将机器学习用于投资管理的领域保持行业领先，并已成长为管理规模达数十亿美元的资产管理机构。公司致力于在高性能计算、量化研究和机器学习交叉领域持续创新，以数据驱动的方式进行投资决策。

The Voleon Group 是平等机会雇主，在招聘和雇佣过程中不会基于种族、肤色、宗教、信仰、国籍、年龄、性别、性别认同、婚姻状况、性取向、基因信息、退伍军人身份、公民身份或其他法律禁止的因素做出不公平区分。公司在部分招聘环节中会使用人工智能（AI）工具辅助招聘团队，但最终录用决策由人类做出。