阿里云研究型实习生 - 安全可信数据管理体系研究
任职要求
在数据库、系统、安全等相关领域的A类顶级学术会议（如SIGMOD/VLDB/…
工作职责
现有数据库系统默认部署于可信任的物理环境、由可信任的数据库管理员进行管理，在非可信环境下的数据安全能力一直没有作为主要需求在系统设计中予以考虑。这样的系统设定下，在如今业务链路复杂化、三方数据托管服务、跨组织数据流通等场景下难以保障数据库内数据的机密性、完整性、隐私性等问题。因此，数据库系统亟需面向非可信部署环境，探索构建内置原生的数据安全可信能力，从而保护用户数据资产的全方位安全。 针对上述场景，我们从机密计算、区块链、隐私计算等技术方向入手，探索数据库系统与这些新兴安全技术的融合设计与系统架构，包括但不限于： 1、如何结合可信执行环境、同态加密等技术，构建只处理用户密文数据的数据库管理系统； 2、如何结合区块链、可验证数据结构等技术，构建防止用户数据、日志等被篡改的数据库管理系统； 3、如何结合多方安全计算、差分隐私等技术，构建支持跨数据库安全联合分析的数据库管理系统。
研究领域： 网络与信息安全 项目简介： 随着智能体服务的兴起，智能体互连网络存在潜在安全风险是现有互联网安全体系难以解决的问题，主要在于 1. 用户感知和控制力减弱：主动服务被滥用风险， 服务推荐与决策偏差、隐私泄露与数据滥用风险 2. 数据共享和互操作性增加：跨智能体的信任和身份验证风险、Agent间通信安全、数据泄漏与隐私扩散风险倍增、跨域权限管理和越权访问风险 3. 互连拓扑复杂性增加、攻击面扩大：用户意图理解与Agent协作秩序，Agent攻击扩散风险加剧、服务依赖带来的连锁风险、信任边界模糊和信任链条脆弱 针对这些新风险，本项目希望对智能体可信互连网络展开研究，解决连接可信、交互可信、意图可信、数据可信的问题。
【业务介绍】 作为公司统一的机器学习平台团队，负责调度公司所有模型训练与推理资源；基于自建的训推引擎，构建公司统一的机器学习平台，为公司所有算法同学（稀疏 & 稠密，含 LLM） 模型迭代提供端到端的一站式服务；包括 数据生产，模型训练，模型上线，特征管理，模型测试，资源管控等一系列能力。 【岗位职责】 1、负责机器学习链路，离在线数据相关的开发工作，包括样本数据、特征数据等的数据链路搭建、任务运维和调优、性能优化等 2、负责小红书大规模机器学习平台的后台系统设计和开发工作；包括样本平台，特征平台，训练平台，推理平台等AI应用后台建设等； 3、研究分析业内AI平台产品，优化技术方案，改进产品功能，完善产品体验。
大模型具备很强的泛化及理解世界能力，在小红书内的众多生产场景遍地开花，大模型的训练和部署已成为许多算法工程师的日常。在多团队、多业务频繁使用的大规模GPU集群上，如何能够通过高效的GPU调度策略，使大家不仅能丝滑地完成训练及部署任务，同时也能充分激发大规模GPU集群的效能，是行业公认的关键挑战。在这里，你可以聚焦LLM场景，接触到超大规模GPU集群，并使用真实负载数据进行深入分析及技术探索。欢迎加入我们，一起探索领先技术改变世界！ 工作职责： 1、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、集群调度、GPU虚拟化、故障快速恢复、存储&网络加速等手段，提升大规模GPU集群的整体使用效率。 2、负责构建面向大模型训练、微调、推理、部署全流程LLMOps，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、持续关注业界最新的GPU资源调度相关技术动态，探索建设业界领先的资源调度策略及方法，构建下一代大规模AI资源调度系统。
中台稠密引擎组，是小红书负责建设通用深度学习训练推理引擎的团队，面向全公司LLM、多模态LLM、SD、传统CV&NLP等稠密计算型模型训练与推理的业务场景，打造高效、易用、业界领先的训练与推理引擎，为小红书社区、商业化、安全等众多业务方向提供先进的引擎能力，支撑业务持续提升训练推理效率、模型迭代效率与算法研发效率。 1、参与设计和实现深度学习后训练及微调的前沿算法（包括但不限于RFT、RLHF等），以适应多样化的业务场景； 2、结合业务数据和场景，评估选择最适合的微调算法，以支撑业务大语言模型（LLM）微调指标的提升； 3、与数据团队紧密合作，深入理解数据特性，参与设计实现数据提质算法引擎工具，产出高质量数据集提升模型微调效果； 4、与公司内各算法团队深度合作，参与或负责大语言模型、多模态大模型等业务场景的后训练端到端效果提升及落地； 5、密切关注业界 LLM 微调算法和数据提质领域的前沿论文，并整合新技术和算法到训练引擎中，提升框架的领先性；