阿里巴巴面向AI的分布式存储系统研发-阿里星
任职要求
1、精通分布式存储理论； 2、对Linux内核，IO 协议栈，NVMe 协议有深入的了解和实践； 3、熟悉网络编程，对多路复用，RDMA 技术有较好的实践； 4、熟悉DPU，智能网卡，硬件卸载是加分项； 5、在FAST/OSDI等顶会发…
工作职责
1、为EBS的稳定、性能、成本技术演进和架构设计和技术创新落地，构建稳定可靠，性能优越，具有成本优势的先进分布式块存储系统； 2、AI 对存储吞吐有非常高的要求，本岗位需要面向AI场景将存储带宽做到物理极限，同时大幅降低成本； 3、OLTP 客户对EBS的延迟和长尾要求非常高，在高吞吐的背景下，需要通过流量整形，优先级调度，微观时间片上的均匀化等技术来有效控制系统的延迟。
随着人工智能技术的飞速发展，AI 大模型对计算资源的需求日益增长。数据中心作为支撑 AI 运算的基础设施，其网络性能和稳定性直接影响 AI 模型训练的效率和推理准确性。然而，当前的数据中心网络在处理大规模数据传输、高并发请求以及复杂网络拓扑时仍然面临诸多挑战。为此，开发新一代数据中心网络技术意在提升网络传输速度、降低延迟、增强网络的容错以及故障定位等能力，对于推动 AI 技术的进一步发展具有重要意义。本项目意在聚焦于阿里云面向 AI 大模型训练的网络性能和稳定性优化技术，具体解决如下几个关键问题： 1、关于 AI 训练网络中故障的快速响应和定位问题，如何通过建立集合通信 log、上层训练框架代码 log 以及底层网络拓扑信息进行横向关联后进行精准、高校的故障根因定位； 2、AI 大模型训练要求网络能够针对故障快速恢复，恢复过程要保证新设备的热迁移，以及如何选择被迁移设备，保证客户侧无感知 3、关于下一代集合通信以及网卡侧的传输协议设计，针对性的对大模型训练和推理特征设计一套行之有效的优化技术，针对其周期性、突发式带宽的传输协议解决关键的技术挑战 交付指标： 1、发表 1-2 篇国际顶级会议论文（如 SIGCOMM/NSDI/OSDI/SOSP） 2、专利 1-2 发明专利 3、能够实际在阿里云生产环境运行的系统（非原型系统），产生实际的结果收益
1.大模型推理与调度平台建设：主导多模态/LLM 推理服务化与模型调度中台建设，支持多模型共存、降级容错与弹性扩缩容，保障高并发低时延的线上推理体验； 2.推理加速与资源效率优化：推进推理加速与 GPU 资源复用等优化策略落地，提升模型利用率并降低单位推理成本； 3.模型成本治理体系：建设模型资源可视化与治理闭环，推动降本动作落地并形成可持续的成本优化机制； 4.服务端基础架构演进与全球化支撑：负责全球多 Region 架构规划与服务端架构演进，建设统一网关与用户服务体系，支撑业务快速迭代； 5.SRE 稳定性与可观测性建设：构建全链路监控与自动化运维能力，完善异常响应、容量管理与弹性扩容机制，提升平台可用性； 6.架构融合与平台化治理：推动团队多款 AI 产品服务端架构融合与服务复用，减少重复投入并沉淀统一能力。
在阿里云操作系统实验室，你将负责全新Agentic AI系统的持久化文件系统与上下文记忆架构设计。主要工作围绕Agentic Filesystem核心底座，构建分层记忆管理系统，支撑阿里Agent Sandbox等关键AI Agent业务的长期运行与多Agent协作需求。主要职责是： 1、深入理解并改进Agent Memory、多Agent协作等前沿技术，关注业界Agent存储领域前沿技术进展； 2、设计Agentic Filesystem接口API、记忆分层存储、版本管理等核心模块，追求亚毫秒级检索延迟； 3、撰写顶会论文（SOSP/OSDI/MLSys 等），将创新贡献到Linux Kernel等开源社区。
1、构建既能实现极致性能（百毫秒唤醒）又能做到极致成本效益（资源利用率提升XX%）的 Agent 基础设施底座； 2、主导设计和实现融合了Agent Sandbox、容器与虚拟化的统一调度系统。