阿里云阿里云智能-并行文件系统研发专家-AI领域-北京/杭州
任职要求
1、编程基本功扎实，精通C/C++，熟悉至少一门脚本语言； 2、熟悉传统企业级文件系统、分布式文件系统或各类存储引擎者优先，包含但不限于 Ext4、XFS、OneFS、HDFS, GFS, Lustre, GPFS, Ceph, Glust…
工作职责
1、负责应对各种复杂业务场景的分布式文件系统的设计与研发，包含高可用高可靠高性能设计，文件系统核心 IO 栈的研发； 2、负责分布式文件系统的稳定性工程，包括但不限于系统的可观测性、FaultTolerance、多租户 QoS系统研发； 3、负责文件系统性能优化，包括 FileServer 软件栈的分析和优化，以及分布式文件系统协议的分析和优化； 4、负责系统流量分类识别和性能隔离能力建设，提升系统负载均衡和流量调度能力，增强稳定性。
1. 负责高性能并行文件系统中，新型存储介质、RDMA 网络相关性能分析工具开发和性能验证； 2. 结合存储硬件演进，负责并行文件系统的存储引擎在性能、成本、稳定性多维度的持续优化； 3. 与硬件团队合作进行软硬件结合设计，负责相关的存储软件设计和性能优化。
底层推理基础设施建设：负责 GPU / TPU 集群管理、异构资源调度与高性能网络优化 实现弹性伸缩、自动修复与多机多卡高效并行。推理引擎深度优化：基于 vLLM、TensorRT-LLM、DeepSpeed-Inference、Pagoda 等框架进行分片并行、张量并行、量化（FP8 / INT4）与编译优化。算法 × 工程协同：与算法工程师联合设计离线训练、在线推理的完整链路，推进模型版本管理、灰度发布、回滚与 A/B 测试，确保模型效果与系统稳定性的双重 SLA。高性能存储与缓存：架设高速并行文件系统或 KV-Store，优化 KV-Cache 热点、RDMA / RoCE 网络，降低 I/O 与通信开销。Observability & SRE：构建完整的 Metrics / Tracing / Logging 体系（Prometheus、Grafana、Jaeger、Loki），定义 SLO / SLI 并实施容量规划。技术前瞻与研究：持续跟踪新硬件（H100, MI300, Grace Hopper）、编译器（TVM, XLA, One-Inference）与调度算法，推动架构演进。
1. 负责智算高性能存储系统架构设计与开发，面向AI训练场景的高性能并行文件系统模块开发，设计多级元数据服务架构，支撑海量文件与高吞吐数据流。 2. 软硬件定义，机型设计，构建存算协同机制，实现GPU Direct Storage、KV Cache/Share，不断提升存储系统性能和减少计算。 3. 保障存储系统高可用与数据安全，通过分布式强一致性、同/异步复制提升数据可靠性，设计系统自愈能力应对磁盘/节点异常，增强系统可观测和易运维能力，并通过测试与故障注入得到验证。
1、负责并行文件系统容灾设计与研发，构建并行文件系统的跨可用区容灾能力，设计并实现数据的多副本分布、服务的故障自动切换，并基于网络延迟进行拓扑优化； 2、负责并行文件系统的性能调优，参与各种复杂业务场景的分布式文件系统的设计与研发，实现和完善系统高可用、高可靠、高性能设计； 3、负责并行文件系统的稳定性，保障跨可用区架构在高并发场景下的稳定性，通过压测、故障注入、端到端容灾演练验证容灾效果，通过提升模块的可观测性、完善容灾 SOP 设计与验证等方式，实现系统的长期稳定运行。