Junior HPC Systems Engineer

Parallel Works baut und betreibt ACTIVATE, eine Steuerungsebene für Hochleistungsrechnen und KI. Unsere Kunden führen große wissenschaftliche und KI-Workloads über ihre eigenen On-Premises-Cluster, Regierungs- und kommerzielle Cloud sowie kommerzielle GPU-Anbieter aus, und ACTIVATE bietet ihnen einen Zugang zu all dem. Die hohe Sicherheitsgrenze ist auf Impact Level 5 autorisiert, mit FIPS-validierter Kryptografie und STIG-Härtung.

Die Arbeit umfasst die meisten Bereiche, die auf Rechenleistung in großem Maßstab angewiesen sind: Wetter- und Klimavorhersage, Verteidigungs- und Geheimdienstprogramme, Luft- und Raumfahrt sowie strukturelle Analysen, Molekular- und Materialwissenschaften, Energie und KI-Forschung. Ein Quartal kann das Einrichten eines GPU-Clusters für eine dieser Gemeinschaften, die Föderation eines bestehenden On-Premises-Systems eines Labors mit zusätzlicher Kapazität, die es zuvor nicht hatte, und das Ausführen eines vor Jahrzehnten geschriebenen Domain-Codes auf aktueller Hardware umfassen.

Kundenerfolg setzt unsere Prioritäten. Wir sind ein kleines Ingenieurbüro, daher arbeiten Ingenieure hier direkt mit den Personen, die die Systeme nutzen, und begleiten ein Problem vom ersten Bericht bis zur Lösung. Dies nennen wir Mission Engineering: zu verstehen, was ein Kunde erreichen möchte und warum das Rechnen für ihn wichtig ist.

Parallel Works sucht einen Junior HPC Systems Engineer, um die Supercomputing-Operationen auf Produktionssystemen zu erlernen. Die Rolle beginnt mit Monitoring, Knotenstatus und Konten- und Zuweisungsarbeiten und entwickelt sich zu Clusteraufbauten und Eskalationen.

Die Systeme sind hybrid: On-Premises-Cluster, die der Kunde besitzt, akkreditierte Regierungs-Cloud-Regionen und kommerzielle GPU-Anbieter, oft am selben Tag. Wir suchen starke Linux-Grundlagen und Interesse daran, wie große Systeme funktionieren. Das Betreiben eines Supercomputers ist keine Voraussetzung. Die Rolle führt in die Senior Systems Engineering, wobei Clusteraufbauten nach etwa einem Jahr unabhängig durchgeführt werden.

Was Sie tun werden:

• Überwachen und Reagieren: Cluster-Gesundheit, Knotenstatus, Warteschlangenverhalten und Alarmierung, mit erster Aktion bei Knotenfehlern, festgefahrenen Jobs und Dateisystemwarnungen.
• Konten und Zuweisungen: Benutzer, Gruppen, Slurm-Konten und Zuweisungen, die über alle Standorte hinweg konsistent gehalten werden.
• Knotenlebenszyklus: Gesundheitsprüfungen an GPU- und CPU-Knoten, Entleeren und Zurückgeben von Knoten sowie der Eskalationsweg bei Fehlern, der das Standortpersonal oder einen Anbieter auf Kundenhardware und einen Supportfall auf Cloud-Kapazität umfasst.
• Automatisierung: Erweiterung von Ansible-Playbooks und Betriebsskripten sowie Ersetzen der manuellen Schritte, die Sie wiederholt durchführen.
• Patchen und Härtung: Patches und Härtungsrichtlinien unter seniorer Überprüfung sowie Scannachweise für das Sicherheitspaket.
• Dokumentation und Bereitschaft: Halten Sie die Runbooks aktuell und nehmen Sie an der Bereitschaftsrotation teil, sobald Sie darin geschult sind.

2 oder mehr Jahre praktische Erfahrung in der Linux-Administration. RHEL, Rocky oder Alma, oder Debian und Ubuntu; wir betreiben beide Familien und Sie werden an beiden arbeiten.

Verständnis der HPC-Grundlagen: Batch-Planung, gemeinsame Dateisysteme, MPI-Jobstart und was einen Compute-Knoten gesund macht.

Bash- und Python-Skripting für operative Arbeiten.

Praktische Netzwerktechnik: DNS, Routing, Firewalls, SSH-Schlüssel, Bastion-Zugriff.

Git und ein ticketgesteuertes Workflow sowie klare schriftliche Kommunikation.

Interesse an der On-Premises-Seite des Bestands, d.h. Bare Metal, Out-of-Band-Konsolen und Standortnetzwerke.

Staatsbürgerschaft der Vereinigten Staaten und Berechtigung für eine Geheimhaltungsfreigabe, da die Arbeit exportkontrollierte Regierungsumgebungen erreicht. Eine aktive Freigabe ist von Vorteil. Wir sponsern Kandidaten, die berechtigt sind, aber derzeit nicht freigegeben sind.

Bevorzugte Qualifikationen:

• Jegliche Erfahrung mit Slurm, PBS Pro oder LSF.
• Erfahrung mit Ansible, Terraform oder einem anderen Konfigurationsmanagement-Tool.
• Zeit in einer öffentlichen Cloud und mit NVIDIA GPU-Tools wie nvidia-smi oder DCGM.
• Erfahrung mit physischen Servern: Racking, BMC- oder IPMI-Konsolen, Firmware oder ein Heimlabor mit Hardware.
• Beteiligung an einem Studenten-Cluster-Wettbewerb, einer HPC-Unterstützungsrolle an der Universität oder Beiträgen zu Open Source.

Medizinische, Augen- und Zahnversicherung, ein 401(k) mit Unternehmensbeitrag, kurzfristige Invalidität und großzügige bezahlte Urlaubs- und Krankheitszeiten.

Parallel Works ist ein Arbeitgeber, der Chancengleichheit bietet. Wir berücksichtigen alle qualifizierten Bewerber ohne Rücksicht auf Rasse, Hautfarbe, Religion, Geschlecht, sexuelle Orientierung, Geschlechtsidentität, nationale Herkunft, Alter, Behinderung, geschützten Veteranenstatus oder andere gesetzlich geschützte Merkmale.