大数据平台 SRE 工程师

岗位职责 1. 数据管线稳定性保障：负责训练数据管线（采集、传输、调度、计算、服务全链路）的 SLA 体系建设与故障自愈能力建设，保障核心业务数据 7×24 小时稳定产出； 2. 可观测性体系建设主导设计并落地全链路可观测性体系，覆盖任务状态追踪、数据积压/延迟告警、血缘影响面分析与异常自动定位，让黑盒系统可观测、可诊断； 3. 故障应急与深度排查：主导线上故障应急响应与 Postmortem 复盘，深入代码级定位问题（Java/Go 服务），并与研发团队共同制定修复及预防措施； 4. 自动化运维建设：基于 Python/Go 开发部署、扩缩容、配置下发、巡检、故障自愈等自动化工具，推动重复性运维工作平台化，降低人力运维成本； 5. 容量与性能治理：负责数据管线的容量规划、限流降级、资源隔离与资源利用率优化，应对业务增长带来的数据洪峰，治理长尾任务； 6. AI Infra 支持：参与 Sandbox/推理集群的基础运维与训练任务保障，支撑模型训练数据链路的稳定性。 任职要求 1. 本科及以上学历，计算机相关专业，3 年以上平台运维 / SRE / 基础架构相关经验； 2. 计算机基本功扎实，深入理解 Linux、网络（TCP/IP）、存储及分布式系统原理； 3. 熟练掌握 Python/Go/Java 中至少一门语言，具备代码级问题定位能力（如阅读服务源码、分析线程栈与 GC 日志等）； 4. 熟悉数据系统的基本范式：消息队列、批/流处理、任务调度、数据一致性，具备大规模数据链路的实际运维经验。 加分项 • 主导过监控/可观测性体系从 0 到 1 的建设，有数据血缘或影响面分析经验； • 有 AI Infra 相关经验（GPU 集群、训练/推理任务保障）； • 有大规模容量规划或成本优化实践。