K8 Site Reliability SME

🕒 Agosto 13

🏄 California, Texas – Remoto

🏄 California – Remote 🤠 Texas – Remote

⏰ Tempo Integral

🟡 Pleno

🟠 Sênior

⛑ DevOps & Engenheiro de Confiabilidade do Site (SRE)

👻 Score fantasma 18%

O que significa: quão provável esta vaga está aberta sem contratação ativa.Como ler: 60% ou mais significa que achamos que é uma vaga fantasma. Pontuações mais baixas preocupam menos.Como pontuamos: tempo em aberto, republicações, vagas abertas vs tamanho do time, rapidez para fechar vagas, e se o salário está divulgado.Observação: é uma estimativa de dados públicos, não um julgamento da empresa. Vagas reais podem ter pontuação alta, então use como uma dica, não como um fato.

Candidatar-se

Encontrar Vagas Remotas Similares

Configurar Alerta de Email para Novas Vagas

📊 Verifique sua pontuação de currículo para esta vaga

Melhore suas chances de conseguir uma entrevista verificando sua pontuação de currículo antes de se candidatar.

Enviar Currículo

Bitdeer Group

SiteLinkedInTodas as Vagas

201 - 500 funcionários

💼 Consultoria

📦 Logística

🏗️ Construção

💰 Post-IPO Equity em 2023-05

Consulting • Logistics • Construction

A Bitdeer Technologies Group (Nasdaq: BTDR) é uma líder na indústria de blockchain e computação de alto desempenho. É uma das maiores detentoras mundiais de hash rate proprietário e fornecedoras de hash rate. A Bitdeer está comprometida em fornecer soluções de computação abrangentes para seus clientes.

Descrição

• Design, deploy, and operate production Kubernetes control planes optimized for GPU workloads at scale (100–10,000 GPUs) • Configure Nvidia GPU Operator, device plugin, MIG, and GPU time-slicing policies • Implement topology-aware scheduling using GPU locality, NVLink domain awareness, and network rail affinity • Build Custom Resource Definitions (CRDs) for GPU workload lifecycle management • Integrate Slurm on K8S, Ray on K8S, and Kubeflow • Enforce multi-tenant isolation through namespaces, network policies, resource quotas, RBAC, and pod security standards • Automate Bare-Metal-as-a-Service provisioning, tenant onboarding, lifecycle management, and reclamation • Develop Terraform providers and modules for infrastructure-as-code across GPU clusters • Define and publish SLIs/SLOs for cluster availability, job completion rates, and provisioning latency • Automate incident-management runbooks, escalation, and post-incident reviews • Operate the Prometheus, Grafana, Alertmanager, and PagerDuty monitoring stack • Automate GPU node failure detection, drain/cordon/taint, and workload rescheduling • Make the Kubernetes control plane safe for automated AIOps remediation • Provide CRD schemas for platform predictors and remediators • Turn human interventions into autonomous workflows • Deliver automated drain/reschedule around predicted GPU faults without customer impact • Launch BMaaS for external tenants with self-service onboarding • Meet cluster-availability and job-completion SLOs

🎯 Requisitos

• 5+ years in Kubernetes operations, including at least 2 years managing GPU workloads on K8S • Deep understanding of Nvidia GPU Operator, device plugin, and GPU scheduling in K8S • Experience with topology-aware scheduling and GPU-specific resource management • Hands-on experience building multi-tenant K8S platforms with strong isolation guarantees • Experience with bare-metal server provisioning and lifecycle automation using Ironic, MAAS, or custom solutions • Proficiency in Terraform, Helm, and GitOps workflows such as ArgoCD or Flux • Strong SRE background, including SLI/SLO frameworks, incident management, and capacity planning • Experience with Prometheus, Grafana, and alerting at scale • Strong programming skills in Go or Python for operator/CRD development • AIOps aptitude: ability to treat the K8S control plane as an execution surface for automated remediation • Experience wiring an autoscaler/remediator loop into K8S, or ability to design one • Runbook-as-code mindset • Equal employment opportunity compliance with applicable country, state, and local laws