阿里云阿里云智能-弹性计算高级开发工程师-北京/杭州
任职要求
1. 3年以上IT、互联网、云计算或相关领域研发工作经验，具备良好的模块设计和编码能力，精通至少一门编程语言（如Java, Python等），具备良好的编码规范和工程实践能力，能够完成高并发、高可用、可扩展系统的模块设计与实现； 2. 了解存储、网络、虚拟化子系统、容器技术，熟悉其具体功能、架构原理、技术细节。对多线程、高并发分布式编程、DEVOPS、操作系统、虚拟机、云原生等领域有扎实的认知； 3. 有使用主流数据处理工具/框架进行数据查询、清洗、转换的开发经验。了解常见数据模型（如星型/雪花模型），具备开发、维护和优化数据管道或数据接口的能力，关注数据的准确性和时效性； 3. 对云计算、大数据、AI等新技术有热情，具备较强的学习能力。具备良好的分析问题、解决问题能力。具备良好的沟通表达能力和团队协作精神，能有效推动跨团队合作； 4. 有中大型数据产品、经营系统、BI平台、数据大模型建设经验者优先。
工作职责
独立负责复杂业务模块的技术方案设计、核心功能实现与系统优化，在保障系统高可用、高性能的同时，持续推动技术架构演进。需要具备扎实的工程能力、良好的问题解决能力和技术前瞻性，并能有效协作推动项目落地。具体包括： 1、技术方案设计 · 收集、识别、分析客户需求，并确定技术方案的目标、范围和交付成果； · 基于需求分析，进行技术可行性分析和方案评审，选择合适的技术选型、功能设计、技术架构、数据架构和开发流程等。 2、技术实现 · 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； · 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； · 负责数据相关组件的研发与优化，包括数据采集、处理、存储及分析等环节的设计与实现，确保数据链路的可靠性和效率。 3、稳定性和性能优化 · 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； · 运用产品优化技术和方法，进行性能优化，提高产品稳定性和性能。 4、技术预研 · 跟踪和了解新产品技术和趋势，根据业务需要提供技术支持和建议。
容器统一调度与在离线混部方向 岗位职责 1.负责公司容器调度平台的架构设计和核心功能开发，包括容器资源管理、调度优化、弹性伸缩等模块。 2.设计和实现在线与离线任务的混部调度方案，优化集群资源的整体利用率，实现计算、存储和网络资源的高效调度。 3.针对不同业务场景，研究并改进 Kubernetes 调度算法，包括任务优先级、抢占机制、节点选择等，提升集群的资源分配效率和稳定性。 4.与多集群管理平台、资源隔离、QoS 管理等模块协同工作，确保在复杂场景下的资源调度策略具备高可用性和可扩展性。 5.跟踪云原生生态的最新发展趋势，研究并应用新技术以提升系统性能和调度灵活性。 6.支持系统的性能监控与故障诊断，参与系统优化和技术问题的快速解决，保障系统的高效稳定运行。
1. 负责阿里云面向AI智算场景的云网络控制系统的设计研发工作，包括技术可行性分析、方案选型、功能设计以及架构设计等工作。 2. 负责云网络控制器平台性能优化，为AI GPU计算、通用CPU计算提供极致的网络弹性需求。 3. 利用AI DevOps技术提升云网络控制器研发效率、运维效率和系统的整体稳定性，并形成标准化的运维产品方案落地。 4. 负责云网络控制器平台的线上运维和内部运营工作。
1、客户应急体系建设 (1) 通过流程机制优化、系统工具和标准化建设，面向阿里云全体公共云客户，提升自动化故障应急能力支撑，实现故障的早发现、早通知和早解决。 (2) 重大面积型故障，提供从故障应急、故障复盘到对客故障沟通整体支持工作，同时内部定期组织演练，提升大故障的应急协同效率。 2、故障改进治理：通过对故障复盘和分析，识别运行风险，针对重点大客户主动推进治理、推荐最佳实践、完善止血逃逸能力。 3、客户稳定性保障：提供面向客户的稳定性服务解决方案，包括故障的预防，出现故障后的快速发现和恢复，及事后的优化改进和故障演练。
我们是小红书中台大模型 Infra 团队，专注打造领先易用的「AI 大模型全链路基础设施」！团队深耕大模型「数-训-压-推-评」技术闭环，在大模型训练加速、模型压缩、推理优化、部署提效等方向积累了深厚的技术优势，基于 RedAccel 训练引擎、RedSlim 压缩工具、RedServing 推理部署引擎、DirectLLM 大模型 API 服务、QuickSilver 大模型生产部署平台等核心产品，持续赋能社区、商业、交易、安全、数平、研效等多个核心业务，实现 AI 技术高效落地！ 1、负责大模型平台的架构设计和核心功能研发，构建云原生架构，设计高可用、高性能的微服务体系； 2、负责构建面向大模型全流程的DevOps，与下游云原生平台深度融合，支撑大模型在公司内各业务生产链路稳定高效地落地； 3、负责万卡规模GPU集群效能分析及优化，通过调度策略优化、在离线混部、GPU虚拟化、存储&网络加速等手段，提升GPU集群使用效率； 4、将平台和框架结合，通过任务调度、弹性容灾、性能优化等措施端到端提升AI生产效率，涉及k8s/kubeflow、网络通信、分布式训练等； 5、优化各AI平台性能，提升系统稳定性和可扩展性，保障大规模并发场景下的服务质量与用户体验； 6、持续研究分析业内创新AI平台产品，优化技术方案，改进产品功能，提升创新能力与产品体验。