Moonlite AI 聘请高级系统可靠性工程师 (SRE) 美国 | LinkedIn

Moonlite 为运行高强度计算研究、大规模模型训练和 demanding 数据处理工作负载的组织提供高性能AI基础设施。我们提供在我们设施中部署或与您的设施共用的基础设施，提供灵活的按需或预留计算，感觉像您现有数据中心的延伸。我们的AI基础设施专家团队结合裸金属性能与云原生操作简便性，使研究团队和企业能够部署 demanding 的AI工作负载，具有企业级的可靠性和合规性。

您的角色：您将在构建和操作生产级AI基础设施中起关键作用，其核心是深入的Kubernetes专业知识。与我们的系统工程师、网络工程师和平台工程团队紧密合作，您将架构和操作Kubernetes基础设施，该基础设施驱动我们的控制平面并协调计算、存储和网络的规模扩展。此职位要求对Kubernetes内部架构、自定义资源定义（CRDs）、存储和网络集成以及从地面起构建生产级集群（而不是仅在托管环境中部署）有深入理解。您将确保企业级可靠性的同时，建立自动化、可观测性和操作实践。

职责

• Kubernetes基础设施工程：设计、构建和操作生产Kubernetes集群在裸金属基础设施上，包括集群启动、控制平面架构、etcd管理以及针对高性能计算工作负载的扩展策略。
• Kubernetes网络与CNIs：实施和操作自定义Kubernetes网络解决方案，使用SR-IOV进行高性能GPU互连，多租户隔离和高级网络策略。配置CNI插件和网络分段以供研究工作负载。
• 自定义操作符与控制器：开发和维护用于裸金属部署、基础设施生命周期管理和跨计算、存储和网络域的资源编排的自定义操作符和控制器。
• GPU基础设施集成：部署和优化NVIDIA GPU操作符、设备插件和其他自定义调度逻辑以优化GPU工作负载的放置和利用。
• 平台集成与存储：构建Kubernetes与底层基础设施之间的深入集成，包括CSI驱动器存储、自定义准入控制器的策略执行以及专用硬件放置的调度扩展。
• 基础设施自动化：设计和实施使用Terraform、Ansible、Helm和自定义操作符的自动化，以 orchestrate 基础设施工作流程并支持跨多个地区的部署。
• 生产操作与可靠性：管理跨多个地区的生产裸金属基础设施。构建系统，确保高可用性、故障容忍性和优雅降级，建立SLIs、SLOs和监控以满足企业可靠性承诺。
• 可观测性与事件响应：构建全面的监控、日志和警报系统使用Prometheus、Grafana和ELK堆栈。领导事件响应，进行事后分析，实施预防措施以提高可靠性和减少MTTR。
• 性能与容量规划：识别和解决基础设施领域的性能瓶颈。监控利用趋势，预测容量需求，优化各种工作负载的资源分配。

经验：5年以上在SRE、DevOps或基础设施工程职位中的经验，有在大规模生产基础设施上操作的 proven 经验。
Kubernetes基础设施专业知识：深入的动手经验构建和操作生产Kubernetes集群在裸金属基础设施上——不是在托管集群中部署工作负载。必须理解集群启动、控制平面架构、etcd操作和扩展策略。
Kubernetes内部架构与集成：对Kubernetes内部架构有深入理解，包括自定义资源定义（CRDs）、操作符、控制器、准入网关和调度。经验整合存储（CSI驱动器）、网络（CNI、SR-IOV）和专用硬件（GPU设备插件）与Kubernetes。
Linux系统经验：在Linux系统管理、性能调优、故障排除和生产环境中的自动化方面有坚实基础。
基础设施自动化：熟练使用基础设施即代码工具（Terraform、Ansible、Helm）并构建自动化以减少运营开销。
网络基础：对网络概念有扎实理解，包括IPAM、DNS、DHCP、VLAN/VXLAN、路由、负载均衡和生产环境中的网络问题排查经验。
可观测性与监控：有使用Prometheus、Grafana和集中式日志系统构建和维护全面监控解决方案的经验。
可靠性实践：理解SRE原则，包括SLIs/SLOs/SLAs、错误预算、事件管理和无责后验分析。
脚本与自动化：在Go、Python或Bash中具备强大的脚本技能，用于自动化、工具开发和运营效率。
压力下的问题解决：有在压力下解决复杂问题、有效管理事件和在事件期间清晰沟通的能力。
协作与沟通：出色的沟通技能和跨团队（系统工程师、网络工程师和软件开发者）工作的能力。

我们提供具有竞争力的总薪酬包，包括具有竞争力的基本工资、初创公司股权和行业领先的福利。总薪酬范围为165,000美元至225,000美元，包括基本工资和股权。实际薪酬将根据经验、技能和市场匹配度确定。我们提供丰厚的福利，包括6%的401(k)匹配，全额覆盖的健康保险费用，以及其他全面的福利，以支持您的福祉和成功，随着我们的共同成长。

Moonlite AI 专注于为运行高强度计算研究、大规模模型训练和 demanding 数据处理工作负载的组织提供高性能AI基础设施。