阿里控股-基础平台开发 - 网络技术(训练 & 推理)-AI网络
Alibaba Group
Job Description
1. 集群网络架构设计与运维:负责维护基于 RoCE 的 RDMA 网络架构,支撑万卡级 GPU 训练集群;针对 NCCL / MPI 等分布式负载优化网络性能,降低通信时延、提升吞吐。
2. 网络性能调优与问题解决:定位分布式训练推理中的通信瓶颈、带宽利用率低等复杂问题;建设自动化的监控、诊断与性能分析能力(时延/吞吐分析、端到端链路追踪),能独立处理大规模分布式系统的稳定性问题。
3. 网络交付与运维平台:设计、开发并维护高性能网络交付与运维平台,提升网络变更和扩容的效率与确定性。
4. 全生命周期网络管理:管理端到端网络生命周期(部署、配置、监控、升级),保障高可用与可扩展性;设计并实施监控告警体系,快速定位与修复故障。
5. 跨团队协作与技术落地:与 AI/ML 工程师紧密协作,排查训练 / 推理链路中的网络瓶颈并给出优化方案;深度参与 TensorFlow / PyTorch 等框架与底层网络基础设施的适配与调优。
1. 计算机科学、网络工程、电子工程等相关专业。
2. 具备高性能网络或相关领域工作经验,熟练掌握 C/C++、Python、Golang 等主流编程语言。
3. 精通 Linux 系统编程与调优,熟悉 RDMA 技术原理(RoCEv2、InfiniBand)及应用场景;有内核网络栈、DPDK 等高性能网络技术经验者优先。
4. 具备良好的问题定位与解决能力,能独立处理大规模分布式系统的稳定性问题;有良好的学习能力与团队协作意识。
加分项
● 有 RDMA 硬件(Mellanox / ConnectX 系列网卡)配置与调优经验
● 熟悉 AI/ML 训练场景(大模型训练、分布式推理)的网络优化实践
● 熟悉云原生技术(Kubernetes、CNI、Service Mesh)及容器化部署实践
● 有开源社区贡献经验(RDMA / OFED 栈、NCCL、MPI 等)