阿里巴巴智算网络竞争力构建-阿里星
任职要求
1、获得计算机科学与技术、计算机网络、通信工程、电子工程等相关专业博士学位； 2、在顶级会议或期刊（如SIGCOMM、NSDI、ISCA、SC、HPCA、ATC、IEEE/ACM ToN等）以第一作者身份发表过高水平论文者优先。 核心技能（满足其一即可，多项兼备者极佳）： 1、网络协议栈深度理解：精通TCP/IP、RDMA/RoCEv2、InfiniBand协议细节，对拥塞控制（DCQCN、HPCC、TIMELY等）有深入研究； 2、分布式系统经验：熟悉NCCL、RCCL、MPI等通信库源码，有大规…
工作职责
随着AI大模型参数规模迈向万亿级，算力集群已从“千卡”向“万卡”演进，网络通信成为制约大模型训练效率的核心瓶颈。本团队正承担面向下一代大模型的超低延迟、高吞吐、高稳定性的RDMA网络全栈解决方案的重点项目。 我们需要具有深厚理论功底和极强工程落地能力的博士人才，共同攻克通信库算法、RDMA网卡架构及智能传输层协议等“无人区”难题，定义未来智算网络的行业标准。 您将作为核心骨干，深度参与以下一个或多个方向的研究与落地： 1、通信库算法设计与优化： · 针对大模型并行训练场景（Data/Tensor/Pipeline Parallelism），设计高效的集合通信原语（AllReduce, AllGather等）； · 研究计算与通信重叠（Overlap）机制，开发自适应调度算法，最大化GPU/NPU利用率； 2、RDMA网络架构研发： · 参与新一代高性能RDMA网卡（RNIC）的架构定义与逻辑设计，优化数据包处理流水线； 3、智能传输层协议攻关（核心重点）： · 拥塞控制：研发基于实时遥测数据的新型拥塞控制算法，解决大模型流量突发导致的Incast问题和队头阻塞； · 多路径传输：设计基于流/包粒度的多路径负载均衡算法，提升复杂拓扑下的带宽利用率； · 可靠性机制：研究RDMA网络下的快速重传、前向纠错（FEC）及故障自愈机制。
负责智算网络系统、管控的功能需求研发、性能优化、复杂技术难题攻关，包括： 1、技术方案设计 • 收集、识别、分析客户需求，并确定技术方案的目标、范围和交付成果； • 基于需求分析，进行技术可行性分析和方案评审，选择合适的技术选型、功能设计、技术架构、数据架构和开发流程等； 2、技术实现 • 基于技术方案的拆解，按照任务目标和产出规范，完成任务/子任务的设计、编码开发和系统功能实现； • 负责核心功能的架构与代码模板的编写，开发与维护系统公用核心模块，技术架构重构、优化等； • 对编码进行阶段性的讨论和CodeReview，并通过调试优化，推动代码成功部署； • 对开发中和部署后的程序进行必要的维护和迭代，包括值班oncall、升级工单处置、bug排查、问题诊断、产品体验改善、性能和成本优化等； 3、稳定性和性能优化 • 制定稳定性策略，寻找并解决产品系统中的潜在风险和瓶颈，覆盖线上疑难杂症问题，确保系统的安全可靠； • 运用产品优化技术和方法，进行性能优化，提高产品稳定性和性能； 4、技术预研 • 跟踪和了解产品技术和趋势，根据业务需要提供技术支持和建议。
【我们提供】 1. 参与商汤自研智算云平台的底层核心研发，直接支撑大模型训练与AI基础设施建设； 2. 面对百亿参数级模型和超大规模集群的技术挑战，积累独特的工程经验； 3. 优秀的工程文化与导师机制，快速成长为系统架构师或平台负责人； 4. 行业内具竞争力的薪酬与晋升发展通道。 【岗位关键词】 IaaS / 云计算 / 分布式系统 / 存储 / 网络 / 容器 / Kubernetes / Ceph / RDMA / eBPF / OpenStack / 智算云 / AI基础设施 【岗位职责】 作为商汤科技智算云核心基础设施团队成员，您将参与构建和优化支撑大规模AI训练与推理的IaaS底层平台，打造高性能、高可靠的云计算基础能力。主要工作包括： 一、计算方向： 1. 负责虚拟化/容器化计算资源调度系统的设计与开发（KVM、Docker、Kubernetes、OpenStack等）。 2. 优化GPU/CPU混合集群的资源利用率、任务调度和性能隔离机制。 二、存储方向： 1. 参与高性能分布式存储系统（Ceph、HDFS、NVMe over Fabrics等）的研发与优化。 2. 负责对象存储、块存储的性能调优与稳定性保障。 三、网络方向： 1. 设计并开发高性能虚拟网络系统，支持大规模AI训练与推理流量场景。 2. 参与SDN、RDMA、DPDK、eBPF 等前沿网络技术的研发与落地。 持续推进系统性能优化与架构演进，支撑智算中心规模化运营。
1、负责AI智算推理场景网络架构方案设计，满足通算和智算实例之间、云服务访问、数据访问的低时延、高吞吐需求； 2、负责AI智算推理场景融合网络核心技术的验证和产品化研发； 3、通过DPU、可编程硬件等, 推动推理场景融合网络技术在阿里云智算场景的大规模部署。
本项目旨在针对广域RDMA网络中的传输性能问题，紧密结合AI智算业务流量特征，设计并实现一套易部署的、高效的广域RDMA网络遥测、拥塞控制、传输丢包控制系统与高性能通信库，以提升跨域AI智算服务的性能与稳定性，并为未来广域分布式计算提供技术储备。具体目标如下： 1、建立面向AI智算业务的广域RDMA流量分析模型：深度融合阿里云真实训练/推理业务Trace与广域网遥测数据，刻画业务流量模式与丢包时空特征的关联关系，为机制设计提供数据驱动的依据。扩展实现面向 Scale-across的高精监控系统； 2、设计自适应于业务与网络的拥塞控制、丢包控制机制：针对AI智算业务流量特征与广域网丢包动态性，创新设计结合智能冗余重传与轻量级前向纠错的混合恢复策略和细粒度拥塞控制，实现快速丢包恢复与带宽有效利用率提升； 3、研发纯软件实现高性能长距RDMA传输框架：通过修改用户态RDMA通信库，重构关键接口与功能，将丢包控制机制无缝集成至RDMA软件栈，实现不依赖特定硬件的可部署方案，并验证其对AI智算业务与集合通信性能的提升效果； 4、面向 Scale-up/Scale-out/Scale-across 全场景的高性能通信库优化：针对阿里自研通信库，开展跨场景深度性能剖析，明确不同互联通信域下的性能瓶颈与优化空间。在 Scale-up 域聚焦节点内/近节点低时延通信优化，在 Scale-out 域强化集群间高吞吐传输能力，在 Scale-across 域完善跨域/跨机房通信的稳定性保障。同时探索PD分离场景下KvCache 存储结构与传输的协同优化。通过分层优化策略，实现全场景通信性能与稳定性的系统性提升。