Ведущий инженер вычислительного кластера

Чем предстоит заниматься

Проектирование и аудит инфраструктуры:

• Провести технический аудит существующего HPC-пилота и разрозненных вычислительных серверов.
• Описать текущую архитектуру, конфигурации, технический долг и основные эксплуатационные риски.
• Спроектировать целевую архитектуру инфраструктурного слоя HPC-контура.
• Определить стандарты для CPU- и GPU-серверов, сетевого оборудования, систем хранения и системного программного обеспечения.
• Прорабатывать конфигурации новых вычислительных узлов и готовить технические требования к оборудованию.
• Участвовать в выборе, приемке, настройке и вводе оборудования в эксплуатацию.

Управление кластером и распределение ресурсов:

• Развивать и сопровождать Slurm-кластер.
• Настраивать очереди, разделы, приоритеты, квоты, учет пользователей и распределение ресурсов.

Сопровождение, мониторинг и интеграция:

• Стандартизировать Linux-окружения, драйверы, CUDA/ROCm, библиотеки и контейнерные среды.
• Автоматизировать установку операционных систем, подключение новых узлов и управление конфигурациями.
• Организовать мониторинг оборудования, операционных систем, сетей, хранилищ и сервисов Slurm.
• Обеспечить резервное копирование критических конфигураций и возможность восстановления инфраструктуры.
• Анализировать загрузку CPU-, GPU-, сетевых и storage-ресурсов.
• Выявлять узкие места и готовить предложения по масштабированию инфраструктуры.
• Обеспечивать техническую интеграцию HPC-контура с разрабатываемой вычислительной платформой.
• Совместно с платформенной командой определять интерфейсы между Slurm, серверами, хранилищами и пользовательскими сервисами.
• Помогать внутренним командам переносить вычислительные нагрузки в общий HPC-контур.
• Разбирать сложные проблемы производительности и эксплуатации.

Платформенные интерфейсы и доступ пользователей:

• Помогать в проектировании и создании API-слоя и облачных интерфейсов как единой точки взаимодействия между кластером Slurm и пользователями/продуктовыми командами.
• Интегрировать API-слой с внутренними сервисами платформы для единого жизненного цикла задач.

Процессы, документация и техническое лидерство:

• Выстроить процессы управления изменениями, реагирования на инциденты и анализа причин сбоев.
• Поддерживать техническую документацию по архитектуре, конфигурациям и процедурам.
• Участвовать в найме и развитии инженеров HPC-инфраструктуры.
• Проводить технические ревью и контролировать качество инфраструктурных изменений.
• На первом этапе лично участвовать в реализации ключевых технических решений.

Что мы ожидаем

Ключевой опыт и стек:

• Сильный практический опыт администрирования Linux.
• Опыт проектирования и эксплуатации HPC-кластеров.
• Практический опыт работы со Slurm или другим планировщиком вычислительных задач.
• Глубокое понимание серверного оборудования и архитектуры CPU- и GPU-систем.
• Опыт работы с физическими серверами: установка, диагностика, настройка, обновление прошивок и тестирование компонентов.
• Понимание принципов построения сетевой инфраструктуры и систем хранения.
• Опыт эксплуатации GPU-стека, включая драйверы, CUDA или ROCm.
• Опыт автоматизации инфраструктуры с использованием Ansible или аналогичных инструментов.
• Опыт построения мониторинга, логирования и оповещений.
• Понимание контейнерных технологий и воспроизводимых вычислительных окружений.

Компетенции и подход:

• Способность находить причины проблем на уровнях оборудования, ОС, сети, драйверов, Slurm и пользовательской нагрузки.
• Умение принимать технические решения и самостоятельно доводить их до работающего результата.
• Готовность сочетать архитектурную работу с непосредственной инженерной реализацией.
• Умение взаимодействовать с разработчиками, исследователями, инженерами, поставщиками и внутренними пользователями.
• Опыт или понимание принципов создания API-брокеров/шлюзов между планировщиками задач и пользовательскими интерфейсами.

Будет преимуществом:

• Опыт создания инфраструктурной основы для внутреннего облака или вычислительной платформы.
• Опыт эксплуатации Kubernetes, OpenStack или других систем управления инфраструктурой.
• Опыт работы с высокоскоростными сетями, включая InfiniBand или RoCE.
• Опыт эксплуатации распределенных и параллельных файловых систем.
• Опыт работы с крупными GPU-контурами.
• Опыт автоматизированной установки серверов по сети.
• Знание MPI, NCCL и основных библиотек высокопроизводительных вычислений.
• Понимание задач машинного обучения, численного моделирования или инженерных расчетов.
• Опыт профилирования и оптимизации вычислительных приложений.
• Опыт технического руководства небольшой командой инженеров.
• Практический опыт разработки API (REST/gRPC) на Python/Go/Java и интеграции с SLURM через python-scheduler, srun API или аналоги.

Мы предлагаем:

• Работу в аккредитованной ИТ-компании.
• Шаг в космос - для тех, кто вдохновлен идеей покорения космоса и мечтает быть к этому причастным.
• Возможность выбора формата работы в Москве (офис/гибрид).
• Комфортный современный офис рядом с метро "Мнёвники".
• Оформление в соответствии с ТК РФ.
• Конкурентный уровень заработной платы - на уровне лидеров ИТ/телеком-индустрии.