阿里云阿里云智能-高可用智能化光网络解决方案架构师-AI领域-北京/杭州

1、构建全景网络可观测性平台：打造覆盖物理和虚拟网络的Streaming Telemetry数据管道，整合GNMI、NETCONF、IPFIX/NetFlow、SNMP等多源数据，为AIOps提供高质量、高时效性的数据基石； 2、研发智能诊断与根因分析系统：应用机器学习与深度学习算法，对海量网络指标、日志、事件进行异常检测、关联分析与智能降噪，快速定位从光模块、交换机硬件、协议邻居到应用层流量的全链路故障根因； 3、探索LLM与Agent的创新应用： 1）智能运维助理：构建基于RAG（检索增强生成）的运维对话机器人，使其能理解自然语言问题，自动查询知识库与监控数据，提供精准的故障排查指引和网络状态报告；2）自动化修复与智能Runbook：训练运维Agent，使其能够安全、可控地调用网络工具与API；基于对故障场景的理解，自主生成、推荐甚至执行修复方案与应急预案（Runbook）； 4、建设容量与风险预测能力：基于历史数据和业务增长模型，预测网络容量瓶颈、高风险链路与“亚健康”设备，驱动主动扩容和预防性维护； 5、打造坚如磐石的工程体系：遵循最佳工程实践，设计和开发高可用、可扩展的AIOps平台与服务；保障从数据采集、模型训练、在线推理到自动化闭环全流程的稳定性和性能。

1、负责建设边缘云的持续运维能力； • 事前：建立并持续优化系统运维的预警机制，进行稳定性风险的分析与管控，前置梳理风险漏洞，降低风险/故障的发生率； • 事中：建立并持续优化系统运维的监控机制，快速发现、通报、定位及处理疑难故障； • 事后：针对疑难故障，能够快速分析、诊断、定位问题，协同开发人员解决问题；建立健全快速恢复服务机制，降低业务受损程度，确保产品、业务稳定运行；牵头问题复盘工作，通过架构优化等根治引起不可用的问题。 2、智能化/自动化运营能力建设 • 负责智能化/自动化的运维场工具能力落地开发，编写自动化运维脚本，帮助解决生产系统遇到的容量、性能、稳定性等问题，推进网络自动化运维能力建设； • 负责精细化数据运营，通过对日常运维指标、问题、风险进行分析和研究，建立模型、计算ROI/TCO解决问题，跟踪改进优化措施落地，保证可持续运营； • 负责高可用保障体系建设，如故障自动定位、自动恢复、自适应容灾、云原生技术实施及落地等，保障业务持续可用。 3、负责维护海内外的边缘云基础设施网络； • 全球全球骨干网、城域网、数据中心网络、光网络巡检维护以及故障定位和恢复 • 全球互联网稳定性和质量运营，负责互联网终端用户、云厂商到阿里云互联互通质量相关的售前、售后的技术服务支持和以及质量优化所需改造优化工作 • 全球网络运营风险管理，负责网络生命周期的风险识别、规避控制和消除，涉及架构引入测试、验收、风险防范，确保网络服务满足稳定性需求。 • 互联链路质量运营，负责网络设备光模块/AOC/DAC线缆的产品引入、质量控制、线上运营、链路故障维修支持和能力建设。 4、运营架构落地&质量优化体系建设 • 网络运维高可用标准制定、研发测试、准入测试，包括新架构引入、架构HLD、LLD讨论、运营标准制定、研发测试、准入测试。 • 制定与优化本领域内的相关新产品\新功能的的SLA协议承诺，并基于SLA要求，评审新产品\新功能的架构是否可用、安全； • 积累网络运维最佳实践，输出运维技术文档、知识库建设等。 5、基础网络运营生命周期优化保障 • 全球网络资源建设、标准化服务开通，自动化交付能力建设&优化&提效，确保高质量网络资源交付履约；保证业务增长需求； • 全球网络变更方案全生命周期自动化体系架构设计、技术演进改造变更实施相关业务流程、风控策略制定并落地，优化工程方案制定及自动化能力开发，完成变更方案业务逻辑在自动化体系中的编排、落地、维护，并负责变更场景常态化运营前的测试、灰度，以及变更执行和过程中的异常处理； • 全球网络裁撤体系流程设计、方案制定，自动化落地；对接、协调其它专业团队完成网络裁撤前的准备，并负责裁撤变更执行的跟踪，处理变更执行过程中的异常，保证网络资源安全高效下线。 加分项 1.有传输系统维护经验，熟悉常见的传输组网模式、备份模式；能够对传输常见问题熟练应对； 2.熟悉CDN系统，对常见的CDN调度模式熟练掌握、掌握HTTP基本知识； 3.熟练的英语能力，能够用英语同运营商进行故障申报、问题讨论、方案沟通；

1、负责建设边缘云的持续运维能力； • 事前：建立并持续优化系统运维的预警机制，进行稳定性风险的分析与管控，前置梳理风险漏洞，降低风险/故障的发生率； • 事中：建立并持续优化系统运维的监控机制，快速发现、通报、定位及处理疑难故障； • 事后：针对疑难故障，能够快速分析、诊断、定位问题，协同开发人员解决问题；建立健全快速恢复服务机制，降低业务受损程度，确保产品、业务稳定运行；牵头问题复盘工作，通过架构优化等根治引起不可用的问题。 2、智能化/自动化运营能力建设 • 负责智能化/自动化的运维场工具能力落地开发，编写自动化运维脚本，帮助解决生产系统遇到的容量、性能、稳定性等问题，推进网络自动化运维能力建设； • 负责精细化数据运营，通过对日常运维指标、问题、风险进行分析和研究，建立模型、计算ROI/TCO解决问题，跟踪改进优化措施落地，保证可持续运营； • 负责高可用保障体系建设，如故障自动定位、自动恢复、自适应容灾、云原生技术实施及落地等，保障业务持续可用。 3、负责维护海内外的边缘云基础设施网络； • 全球全球骨干网、城域网、数据中心网络、光网络巡检维护以及故障定位和恢复 • 全球互联网稳定性和质量运营，负责互联网终端用户、云厂商到阿里云互联互通质量相关的售前、售后的技术服务支持和以及质量优化所需改造优化工作 • 全球网络运营风险管理，负责网络生命周期的风险识别、规避控制和消除，涉及架构引入测试、验收、风险防范，确保网络服务满足稳定性需求。 • 互联链路质量运营，负责网络设备光模块/AOC/DAC线缆的产品引入、质量控制、线上运营、链路故障维修支持和能力建设。 4、运营架构落地&质量优化体系建设 • 网络运维高可用标准制定、研发测试、准入测试，包括新架构引入、架构HLD、LLD讨论、运营标准制定、研发测试、准入测试。 • 制定与优化本领域内的相关新产品\新功能的的SLA协议承诺，并基于SLA要求，评审新产品\新功能的架构是否可用、安全； • 积累网络运维最佳实践，输出运维技术文档、知识库建设等。 5、基础网络运营生命周期优化保障 • 全球网络资源建设、标准化服务开通，自动化交付能力建设&优化&提效，确保高质量网络资源交付履约；保证业务增长需求； • 全球网络变更方案全生命周期自动化体系架构设计、技术演进改造变更实施相关业务流程、风控策略制定并落地，优化工程方案制定及自动化能力开发，完成变更方案业务逻辑在自动化体系中的编排、落地、维护，并负责变更场景常态化运营前的测试、灰度，以及变更执行和过程中的异常处理； • 全球网络裁撤体系流程设计、方案制定，自动化落地；对接、协调其它专业团队完成网络裁撤前的准备，并负责裁撤变更执行的跟踪，处理变更执行过程中的异常，保证网络资源安全高效下线。 加分项 1.有传输系统维护经验，熟悉常见的传输组网模式、备份模式；能够对传输常见问题熟练应对； 2.熟悉CDN系统，对常见的CDN调度模式熟练掌握、掌握HTTP基本知识； 3.熟练的英语能力，能够用英语同运营商进行故障申报、问题讨论、方案沟通；

【业务介绍】 我们是小红书内稠密类模型（LLM/MLLM/SD/CV/NLP）统一的AI平台QuickSilver，负责调度公司内所有稠密类模型训练与推理资源，基于自建的训推引擎，为公司所有AI算法同学迭代业务模型提供端到端一站式AI服务；包括数据管理，模型管理，模型训练、压缩、推理、部署，服务管理，资源调度等一系列能力。 工作职责： 1、负责稠密类模型训练推理开发平台的架构设计和核心功能研发 2、设计和实现大模型训练部署流程，包括模型fine-tuning、推理服务化等 3、构建云原生架构，设计高可用、高性能的微服务体系 4、优化平台性能，提升系统稳定性和可扩展性