Senior Site Reliability Engineer (SRE, Tim Compute Node) Nebius Tentang Nebius Nebius memimpin era baru dalam infrastruktur cloud untuk ekonomi AI global. Kami membangun platform cloud AI full-stack yang mendukung para developer dan perusahaan, mulai dari pelatihan data dan model hingga deployment produksi, tanpa biaya dan kompleksitas membangun infrastruktur AI/ML internal berskala besar. Platform ini dibangun oleh para insinyur, untuk para insinyur. Mulai dari orkestrasi GPU berskala besar hingga optimasi inferensi, kami menangani masalah-masalah sulit dalam compute, storage, networking, dan AI terapan. Nebius tercatat di Nasdaq (NBIS) dan berkedudukan di Amsterdam, dengan jejak global serta pusat R&D di Eropa, Britania Raya, Amerika Utara, dan Israel. Tim kami yang beranggotakan 1.500+ mencakup ratusan insinyur dengan keahlian mendalam dalam hardware, software, dan R&D AI. Peran Kami mencari Senior Site Reliability Engineer (SRE) untuk bergabung dengan Tim Compute Node di Nebius AI Cloud. Tim Compute Node bertanggung jawab membangun dan mengoperasikan scheduler klaster serta layanan tingkat node yang menjalankan dan mengelola mesin virtual di seluruh region cloud. Peran ini berfokus pada rekayasa sistem Linux, virtualisasi, dan keandalan operasional. Anda akan bekerja dekat dengan sistem operasi dan hypervisor, serta menentukan bagaimana keandalan dan observabilitas diterapkan di dalam platform Compute. Tanggung jawab: Memastikan keandalan, ketersediaan, dan performa node komputasi yang menjalankan VM. Menganalisis dan menelusuri masalah pada sistem Linux di user space dan kernel space, dengan memahami kemampuan, batasan, dan trade-off di setiap lapisan. Mendiagnosis masalah produksi kompleks yang berkaitan dengan CPU, memori, NUMA, cgroups, dan scheduling. Bekerja secara langsung dengan virtualisasi dan containerization, terutama menggunakan QEMU/KVM serta teknologi native Linux. Merancang dan mengembangkan observabilitas sebagai kemampuan inti pada lapisan node, mencakup metrik, log, trace, alert, SLI, dan SLO. Memimpin respons insiden, analisis akar masalah, serta postmortem, sekaligus mendorong perbaikan keandalan jangka panjang. Berk collaborates dengan tim platform, kernel/hypervisor, GPU, dan infrastruktur untuk meningkatkan desain sistem serta kelancangan operasionalnya. Kualifikasi yang diharapkan: Keahlian Linux yang kuat, mencakup pemahaman mendalam terhadap Linux user space dan kernel space, pengetahuan mengenai subsistem kernel seperti scheduler, manajemen memori, filesystems, cgroups, dan namespaces, serta pemahaman yang jelas mengenai batas dan batasan sistem pada berbagai lapisan. Pengalaman virtualisasi, termasuk pengalaman langsung dengan QEMU/KVM serta pemahaman mengenai siklus hidup VM, karakteristik performa, dan mode kegagalan. Pengetahuan containerization, mencakup pengalaman praktis dengan container, namespaces, dan cgroups, serta pemahaman kuat mengenai isolasi dan kendali sumber daya. Keterampilan debugging yang kuat, termasuk kemampuan menganalisis kegagalan sistem yang kompleks dan menggunakan pendekatan terstruktur serta berbasis hipotesis dalam analisis insiden. Pemikiran SRE, mencakup pemahaman yang jelas mengenai peran SRE dalam desain dan operasi sistem, pengalaman membangun serta mengoperasikan stack observabilitas, bukan hanya menggunakannya, dan kemampuan mengubah perilaku sistem menjadi sinyal keandalan yang dapat ditindaklanjuti. Nice to Have/Opsional: Pengalaman dengan internals Kubernetes atau komponen tingkat node. Pengalaman langsung menggunakan alat debugging Linux tingkat rendah, seperti perf, eBPF, ftrace, strace, dan kernel crash dumps. Pemahaman mengenai platform komputasi berskala besar atau bare-metal. Kontribusi pada infrastruktur open-source atau sistem software. Pengalaman mendiagnosis masalah pada perangkat keras dan tingkat driver, termasuk GPU, NVLink, dan InfiniBand. Manfaat dan Keuntungan: Kompensasi kompetitif. Peluang pengembangan karier dan pembelajaran. Fleksibilitas dan tanggung jawab. Budaya kolaboratif dan inovatif. Kesempatan bekerja pada proyek AI yang berdampak. Lingkungan internasional dengan tim talented. Pengalaman bekerja di Nebius: Lingkungan kerja yang bergerak cepat, pemikiran berani, pertumbuhan berkelanjutan, dampak yang bermakna, kepercayaan dan tanggung jawab nyata, serta kesempatan untuk membentuk masa depan AI. Pernyataan Peluang Setara: Nebius adalah pemberi kerja dengan peluang yang setara. Kami_commit untuk fostering lingkungan kerja yang inklusif dan beragam, serta menyediakan peluang kerja yang setara dalam semua aspekketenagakerjaan. Kami tidak membedakan berdasarkan ras, warna kulit, agama, jenis kelamin termasuk kehamilan, asal negara, leluhur, usia, disabilitas, informasi genetik, status perkawinan, status veteran, orientasi seksual, identitas atau ekspresi gender, maupun karakteristik lain yang dilindungi oleh hukum yang berlaku. Pelamar harus memiliki izin kerja di negara tempat mereka melamar dan harus memberikan bukti kelayakan kerja sebagai syarat diterima. Jika Anda memerlukan penyesuaian selama proses lamaran, harb Confidentialitykan kepada kami.

Senior Site Reliability Engineer (SRE, Compute Node Team)

Deskripsi Pekerjaan

Ringkasan

Lowongan Terkait Lainnya

Senior Systems HPC Engineer

Senior Site Reliability Engineer — Token Factory (Inference Platform)

Senior Site Reliability Engineer (SRE)

Network Engineer