长鑫存储存储架构师－Principal Memory Architect(J20167)
任职要求
1.教育背景与专业知识：硕士及以上学历，微电子学与集成电路、电子工程或计算机工程等相关专业，具有扎实的半导体器件物理基础；
2.专业技能与资格：能使用协同工具与验证方法完成架构方案的仿真与性能评估，具有系统思维与跨领域整合能力，能高效协调电路、器件、固件及测试团队；
3.行业与专业经验：具有8年以上Memory存…工作职责
1.存储器架构定义与规划： 主导Memory存储器的整体架构定义，包括Array阵列组织、字线/位线布局及共享资源策略，推动架构可行性研究、技术风险评估与路线图规划； 2.读写算法与性能优化： 设计并优化读写与擦除算法，围绕速度、耐久性、数据保持力与干扰管理等多目标进行平衡优化，支撑产品在消费级、企业级或车规级领域的定位； 3.ECC策略制定与集成： 制定纠错码策略与集成方案，评估BCH与LDPC等方案对面积、延迟、功耗及纠错能力的影响，并定义页与块管理层级逻辑，支持Copy-back、Multi-plane Operation、Suspend/Resume等高级功能； 4.跨领域协同与接口定义： 与器件及工艺团队紧密合作，基于实际堆叠结构反向优化电路与算法设计，参与ONFI或Toggle Mode接口协议的选型与定制，定义寄存器映射及低功耗模式； 5.技术统筹与闭环优化： 统筹跨部门技术评审，制定架构设计规范与仿真验证标准，支持硅后验证、良率分析与客户问题攻关，形成架构设计的闭环优化。
-为百度核心业务搜索/推荐提供高性能、高可用、低成本、易用的存储服务，包括不限于网页库、正排库等 -探索新架构、新技术、新硬件，设计下一代分布式存储 -根据整体技术方案完成高质量的开发、自测及项目文档编写 -持续跟进业界新技术的发展并应用到现有系统中
1.负责大模型专用存储系统的设计研发，围绕大模型训练/推理场景构建一体化分层存储架构，无缝对接大模型训推框架：； 2.架构设计与场景适配：通过系统性逻辑分析拆解大模型存储瓶颈，结合训推场景的数据流特征，设计分层存储架构，解决数据流转效率与一致性问题； 3.推理性能极致优化：面向推理场景，通过全链路IO瓶颈的逻辑分析，结合CXL、RDMA、GPU Direct等高速互联技术，设计极致IO路径，实现数据高效传输，持续优化TTFT、TBT、并行吞吐等核心性能指标，解决推理延迟与并发瓶颈； 4.训练场景稳定性保障：面向训练场景，通过对万卡接入、爆发式流量的模式分析与逻辑建模，设计高可靠、高吞吐的存储服务方案，解决长周期训练中的数据稳定性与性能波动问题。
1、主导超大规模推荐系统的核心存储架构设计，构建支持千亿级特征的高性能数据管道，优化实时特征计算（毫秒级延迟）与离线特征处理（PB级吞吐）的混合负载调度； 2、研发新一代多模态特征存储引擎，设计支持稀疏矩阵、时序特征、图的高效存储格式，实现特征数据的版本化管理和跨DC级数据同步； 3、打造智能特征服务平台，集成特征血缘追踪、自动降级熔断、热点数据预取等核心能力，支撑日均千亿次特征查询的稳定服务； 4、探索存储技术前沿，落地向量化检索、持久化内存、异构存储池管理等创新技术，构建支持千卡级GPU集群的特征供给体系； 5、设计面向特征工程的开发框架，实现特征变换、特征注册、质量监控的完整工具链，提升算法团队迭代效率。
一、存储与中间件方向(HDFS / Kafka / 磁带 / 数据集成) 1、跟踪分布式存储 / 消息中间件 / 归档存储社区前沿(HDFS / 对象存储 / Kafka / Pulsar / 磁带库),结合业务做选型和落地 2、主导 EB 级存储底座的稳定性、成本优化,包括但不限于: （1） HDFS NameNode 扩展性、Federation、Router-based 架构 （2）EC 编码、冷热分层、磁带归档、对象存储分层 （3）跨机房 / 多活 / 容灾 / 数据迁移 3、主导 Kafka / Pulsar 在亿级 QPS 入口下的稳定性、扩展性优化,包括但不限于: （1）集群扩展、分区均衡、副本同步 （2）多租户、配额、流量隔离 （3）跨集群复制 / 多机房灾备 4、主导大数据数据集成体系建设,包括但不限于: （1）异构数据源(MySQL / Kafka / 对象存储 / 业务系统)接入与同步 （2）全量 + 增量同步、CDC 数据通道 5、数据校验、对账、补数机制 6、推动存算分离、Remote Shuffle Service、新型存储介质(NVMe / SCM / 磁带)在大数据场景的落地 二、AI 赋能基础设施研发 1、熟练使用 Claude Code、Cursor、Copilot 等 AI 编程工具，将 AI 深度嵌入日常工作流 2、主导 AI 流程自动化建设，为团队赋能： （1）开发阶段：基于 AI 的代码生成、Code Review、单测生成、性能 profiling 自动化 （2）发布阶段：AI 辅助的变更影响分析、灰度策略推荐、回滚决策 （3）运维阶段：AI 驱动的告警归并、根因分析、故障自愈 （4）答疑阶段：基于内部知识库的 RAG 答疑机器人、SQL 助手、调优建议生成 3、沉淀 AI 工具链最佳实践，推广到全组并向外辐射