阿里巴巴研究型实习生 - 数据中心智能网卡面向host侧的Packet spray技术研究
任职要求
1. 候选人应为通信、计算机、软件工程及相关专业的博士或硕士研究生，有网络、计算机相关背景； 2. 掌握一种或多种编程语言，如Veril…
工作职责
1. 在AI/HPC突发流量激增的背景下，探索软硬件协同设计新的方法，重构软硬件功能边界，实现异构计算资源的深度融合与动态适配 2. 多核协同调度机制：构建基于资源感知的动态调度算法，建立多维约束条件下的最优任务分配模型 3. 关键性能瓶颈突破：重点攻克时延抖动抑制、缓存资源动态分配等核心挑战，建立面向服务质量保障的调度优化框架；
面向云数据库运维体系，充分利用各类数据、知识、工具，对工单处理、异常发现、根因定位、优化治理、故障恢复等日常运维任务，进行大幅度提效，实现半自动甚至全自动的智能运维体系升级。具体研究内容包括但不限于： 1.探索复杂故障的智能化定位与恢复相关技术； 2.探索领域知识库的自动化沉淀相关技术； 3.探索分布式环境下的多Agent协同相关技术。
随着近些年机器学习与表征学习的发展，非结构化数据的查询和分析变得更加普遍。通过表征学习，我们可以把图片或文本嵌入到高维空间从而用高维向量来代表这些图片或文本。进一步的，通过在高维空间中查找最近邻，我们可以对非结构化数据进行语义搜索。例如，通过检索增强生成技术（RAG），我们可以将外部知识或领域知识进行向量化，利用向量空间中的近邻搜索得到对应的原始知识，对大语言模型的生成结果进行增强，来减少大模型出现幻觉或知识过时的现象。 为了提升数据库产品对AI应用的支持，阿里云瑶池数据库也全面提升了向量检索能力，在PolarDB、RDS、AnalyticDB、Lindorm、Tair等产品中集成了向量功能，实现结构化数据、半结构化数据、多模数据、向量数据的一体化处理。 然而，目前向量索引主要关注查询速度和准确率，对于实际复杂场景下的搜索问题还没有足够的研究。例如，分布式架构下的向量查询索引、结构化与非结构化数据的联合查询，以及数据动态增删场景下的索引优化等问题，都需要进一步探索和研究。
目前，随着数据库管理的数据越来越多，关系越来越复杂，数据库系统的性能也面临着很大的挑战。传统上，基于专家经验的优化技术（如代价估计，连接顺序选择，参数调优）已经不能在session级别，快速满足异构数据、海量应用和大规模用户对数据库系统性能的严苛需求。我们需要设计基于机器学习/深度学习的数据库优化技术，使得之前很硬的规则变成随着数据分布、应用查询和人为性能要求而动态变化和取舍的软规则。这样，数据库系统才能更好服务于现代的用户负载。
1. 优化和设计AI数据湖场景下的多层智能缓存架构和算法，使系统具备缓存动态分级、冷热数据预测、智能数据迁移等能力； 2. 分析数据湖查询和AI训练场景的负载特征，构建特征库，支持缓存效果实时反馈、动态优化和应用闭环； 3. 撰写技术方案、实验报告及学术论文，参与专利申请； 4. 与团队协作，完成和现有系统的对接与测试。