阿里云阿里云智能-高性能网络协议栈研发技术专家-杭州
任职要求
● 5年以上Coding经验，熟练掌握c/c++、python等主流编程语言； ● 精通RDMA网络协议的细节, 了解网络协议在大规模部署时的用法及稳定性的考量，具备RDMA或DPDK等研发经验，有自研RDMA协议栈研发经验者优先； ● 有强烈的自我驱动力，对新技术有求知欲望和自学动力，…
工作职责
1. 技术方案设计方面 a. 负责高性能网络协议栈核心功能的研发，收集和分析业务需求，明确技术方案、目标和交付范围； b. 基于需求完成技术方案设计、UT/IT测试方案设计，带领技术小组完成研发、测试和交付； 2. 技术实现 a. 基于技术方案的拆解，按照任务目标和产出规范，完成任务/子任务的设计、编码开发和系统功能实现； b. 负责核心功能的架构与代码模板的编写，开发与维护系统公用核心模块，技术架构重构、优化等； c. 对编码进行阶段性的讨论和CodeReview，并通过调试优化，推动代码成功部署 d. 对开发中和部署后的程序进行必要的维护和迭代，包括值班oncall、升级工单处置、bug排查、问题诊断、产品体验改善、性能和成本优化等 3. 稳定性和性能优化 a. 制定稳定性策略，寻找并解决产品系统中的潜在风险和瓶颈，覆盖线上疑难杂症问题，确保系统的安全可靠； b. 运用优化技术和创新方法，结合AI等业务场景特点进行通信性能优化，提高产品稳定性和性能； 4. 技术预研 a. 跟踪和了解新的产品技术和趋势，根据业务需要提供新的技术支持和建议。 5. 技术规划 a. 理解业务战略及重点，基于业务需求作出高可用、高可靠、高拓展性的技术架构规划和落地。
1.通信算子开发：设计和实现大模型训练/推理场景下的高效集合通信算子（AllReduce、AllGather、ReduceScatter、AllToAll等）； 2.通信计算融合：设计通信与计算的overlap策略，实现计算通信并行，提升大模型整体训练/推理性能； 3.通信性能调优：针对不同硬件平台（GPU、NPU等）进行算子性能分析和优化，解决性能瓶颈问题； 4.参与AI通信库整体架构设计，制定技术方案和开发规范。
1、负责大规模AI训练和推理场景的集合通信库、RDMA协议栈研发和调优； 2、负责大规模存储等通用业务场景的RDMA协议栈、传输通信库及中间件的研发和调优； 3、参与构建Lossy RDMA网络解决方案，并负责相应拥塞控制算法的研发和调优。
1、负责大规模AI训练和推理场景的集合通信库、RDMA协议栈研发和调优； 2、负责大规模存储等通用业务场景的RDMA协议栈、传输通信库及中间件的研发和调优； 3、参与构建Lossy RDMA网络解决方案，并负责相应拥塞控制算法的研发和调优。
1. 智算网络架构设计与演进： 负责千卡/万卡级AI训练集群的网络架构规划与设计，主导基于RoCE v2、Solar/Stellar等高性能网络技术的落地，确保低延迟、高吞吐的网络环境以支撑大模型训练效率； 2. 高性能网络优化： 深入分析分布式训练中的网络瓶颈，通过拥塞控制算法调优、流量调度策略优化、网卡参数微调等手段，极致提升集群线性加速比； 3. 自动化运维体系构建： 设计并实施网络自动化、智能化运维方案，利用AI Agent驱动实现配置管理、故障自愈及性能监控，构建可观测性极强的智能网络运维平台； 4. 前沿技术探索与落地： 跟踪业界最新网络硬件（如1.6Tbps RDMA网卡和DPU）及协议标准（RDMA、PCIe、NVLINK、ETH+等），推动新技术在现网中的验证与规模化部署； 5. 跨部门协同与故障攻坚： 与算法、系统、存储团队紧密协作，解决复杂场景下的网络疑难杂症，保障核心业务99.99%的高可用性。