阿里云阿里云智能-高性能网络研发专家-杭州
任职要求
1、有过大模型训练稳定性相关开发或者运维经验者优先，如大模型训练的故障定位，性能定位经验； 2、对RDMA网络、NCCL/DeepEP通信库有开发经验或者调优经验的优先； 3、对大模型训练和推理框架熟悉，有分布式训练推理集合通信性能优化经验，或者kv cache通信优化经验、或者计算通信overlapping经验者优先； 3、有强烈技术热情和好奇心，自…
工作职责
1、为阿里大模型训练和推理业务提供稳定性支持，包括问题定位，稳定性系统设计和研发等； 2、为阿里大模型训练和推理业务提供高性能的通信保障，包括问题定位、性能分析、性能优化等。
1、负责AI智算场景VPC网络接入，低时延高吞吐的高速网络技术研发，以及在计算／存储／AI／机器学习／推荐等公司关键业务上的应用； 2、应用VPC高性能网络技术到虚拟机和容器网络，加速网络虚拟化场景； 3、通过DPU、可编程硬件等, 推动高性能VPC技术在阿里云智算场景的大规模部署； 4、通过技术创新推动VPC网络技术的持续演进，打造下一代的超低时延高速VPC网络； 5、探索下一代分布式网关架构，打造超大规模的VPC网络。
1、负责AI智算场景VPC网络接入，低时延高吞吐的高速网络技术研发，以及在计算／存储／AI／机器学习／推荐等公司关键业务上的应用； 2、应用VPC高性能网络技术到虚拟机和容器网络，加速网络虚拟化场景； 3、通过DPU、可编程硬件等, 推动高性能VPC技术在阿里云智算场景的大规模部署； 4、通过技术创新推动VPC网络技术的持续演进，打造下一代的超低时延高速VPC网络； 5、探索下一代分布式网关架构，打造超大规模的VPC网络。
1、负责设计和优化大规模AI智算推理系统中GPU集群的高性能云网络架构，负责vpc网络中RDMA、GPUDirect、高性能网络协议栈等技术研发，提供GPU之间以及GPU访问KVcache的高吞吐、低延时网络。 2、负责AI agent场景中容器网络的设计研发，提供极致弹性的vpc网络，满足AI agent对容器的应用需求。 3、负责DPU、可编程硬件中vpc网络功能研发, 支持新型AI智算实例在阿里云的全面部署和运营。 4、探索下一代云网络分布式网关架构，打造超大规模的vpc网络。
1. 存储和 AI infra 研发，开发和调优高性能通信框架，包括多线程任务调度、零拷贝内存管理、多协议自适应 RPC 等，聚焦云存储（EBS/OSS/DFS/CPFS）与 AI 智算场景的网络基础设施，主导下一代高效稳定的存储网络技术体系构建。 2. 主导 DPDK 和 RDMA 技术栈的深度优化和落地，在不同业务的不同网卡&交换机环境中，进行网络库的适配、集成、性能调优，突破单机业务吞吐瓶颈，降低平均和长尾延迟。 3. 开发基于 BF3 的智算网络加速方案，实现高带宽低延迟大规模 AI 数据流处理。 4. 参与建设网络框架监控、智能运维体系，在保障网络高性能的同时，兼顾可控、可靠、可视化。