阿里巴巴研究型实习生-高性能隐私计算算法研究与应用
任职要求
1.信息安全、网络空间安全等相关专业的硕士生/博士生；
2.熟悉隐私保护方向前沿技术，对多方安全计算 (MPC) 、联邦学习、隐私保护机器学习 (PPML)等至少一个领域有深入理解；
3.满足以下一个或多个条件者…工作职责
随着全球主要市场陆续出台用户个人信息保护政策，整个互联网生态中的数据安全和用户隐私保护问题变得越发重要且日趋严格。如何在营销场景下实现对隐私数据的安全合规使用，维护在线广告商业模型的核心运作，成为当下广告生态中各企业急需解决的问题。 该职位的主要工作包含： 1. 高性能MPC隐私算法的调研、设计及代码开发，实现在大规模数据集下的分布式计算，应用于阿里妈妈广告业务对外数据合作场景。 2. 对业界前沿隐私保护技术保持敏感，梳理和提出创新的隐私计算算法，发表到领域内顶会期刊。
要解决的问题： 1. 基于 LLM 的高性能算子生成系统开发 面向阿里核心模型的训推场景，设计并开发 LLM-Driven 的异构GPU 高性能Kernel 的自动生成优化系统，结合目标芯片架构特性（如计算单元、存储层次、指令集、通信机制等），生成高性能的算子，并驱动Agent持续优化代码的性能（手段包括但不限于调度优化、编译优化，内存管理、并行计算，遗传算法，组合优化等等）。 2. 模型后训练与 Agent 能力增强 构建面向高性能算子生成的数据闭环，设计并沉淀 SFT 数据集、偏好数据与 reward 机制；基于 SFT、RL 等后训练方法对模型进行微调，增强 Agent 对芯片约束、性能瓶颈和优化策略的理解，使其能够更稳定地生成高性能算子代码。 3. 多智能体协同系统构建 搭建多智能体协作框架，实现需求理解、代码生成、错误修复、版本对比等任务的自动化闭环；研究智能体分工、通信、反思与决策机制，提升系统在复杂场景下的鲁棒性、生成效率与优化质量。 4. 技术落地与前沿探索 与芯片、编译器和算子团队协作，结合具体硬件特性和业务场景推动技术落地；持续跟踪 LLM 代码生成、模型后训练、多智能体系统与 AI 编译优化等方向的前沿进展，并输出技术文档、专利或论文。
专注于CXL协议和计算机微架构的研究、探索和开发，具体职责包括： 1. 探索高性能的计算机微架构设计，支持CXL协议的高效实现； 2. 深入优化CPU/GPU和CXL连接设备之间的互联性能，提升异构计算环境下的通信效率； 3. 分析现有微架构的性能瓶颈，提出并实现创新的优化技术； 4. 结合现有硬件平台，针对高性能计算重点场景构建业界领先的优化解决方案。
面向数据库结构化数据和文件系统非结构化数据，设计并实现一站式的高性能存储底座，优化海量存储场景下元数据库性能，具体研究内容包括但不限于： 1.基于数据库的大规模PB级别数据文件系统的文件metadata管理； 2.支持AI训练和推理的并行文件系统和数据库系统的性能优化； 3.数据库结构化数据和文件系统非结构化数据一站式融合和数据流动、索引构建和检索； 4.跨云并行文件系统。
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。