蚂蚁金服蚂蚁集团-算力调度研发专家-杭州A
任职要求
● 具有 3 年以上的云计算/任务调度/高性能计算领域经验； ● 熟练掌握分布式调度系统、大规模高可用系统、高性能软硬件架构等领域的专业知识； ● 熟悉云原生或大规模并行计算相关技术栈，如 Kubernetes、Volcano、Knative、Pytorch/Tensorflow 等； ● 有结合硬件和网络拓扑优化经验的优先，如 GPU、PCIe、NUMA、FatTree/SpineLeaf 优化等； ● 有团队沟通和协作能力，较强，对创新驱动和交付高质量产品充满热情；
工作职责
蚂蚁算力调度团队负责蚂蚁通智算场景资源统一调度，帮助蚂蚁在线服务、大数据、AI等核心业务场景提升资源使用效率、优化工作负载性能、提高业务全局容错性和弹性资源保障。我们致力于打造高性能、规模化、有竞争力的算力调度系统，推动蚂蚁基础技术的不断创新与发展。我们重点工作领域包括： ● 研发通智算一体的高性能调度系统，支持云原生应用、分布式作业、函数任务等多种工作负载混合部署； ● 优化大规模任务调度，提升AI、大数据场景任务调度性能、优化并行计算场景作业编排； ● 结合硬件拓扑、网络架构，研发异构硬件优化调度算法，提升异构硬件下的服务/任务运行效率； ● 提升算力调度服务水平，保障大规模调度场景的服务可用性，提高系统化处理效率；
蚂蚁HCS 算力服务是全站通算，智算资源管理的基础设施平台, 通过Kubernetes等容器和平台技术，为上层业务提供云原生服务，AI算力服务，全局资源动态分配，调度节点单集群规模超过万台，同时致力于在系统、业务多个层面，包括os/kernel、容器/PaaS、智能调度/仿真容量等进行技术突破，提高容器系统规模化的资源利用效率，降低大促等各种大规模复杂业务场景下的资源成本，打造智能、高效、稳定的智算基础设施平台本岗位负责在云原生，AI快速发展的背景下，能够面向异构的物理资源，设计和实现大规模的k8s集群节点和资源的管理能力 ● 算力调度产品架构研发： 负责设计通算，智算的算力调度，优化的平台架构，实现算力的弹性伸缩，分时调度，能够设计训推混部的统一架构平台，实现算力资源有效利用 ● 节点池架构与异构资源管理：负责节点池架构设计，实现算力节点池的产品化管理能力，支持CPU/GPU等异构资源的统一调度与资源隔离，优化AI异构场景下的节点管理策略，提升大规模集群的资源利用率与任务执行效率。 ● 算力节点生命周期产品化管理：建设节点生命周期的全链路产品化能力，设计并实现节点故障预测与主动运维能力，支持算力节点与模型实例的自动化发现与自愈，能够保障算力的稳定和持续供给。 ● 技术创新与成本优化：探索云原生与AI技术结合的创新场景（如弹性节点池、智能调度算法），推动资源管理效率的持续提升。通过资源预测、库存优化等手段，降低集群运维成本与资源浪费
1、参与AI管理平台的产品功能规划、设计与研发，实现AI资源、资产管理以及提供AI训练、推理服务； 2、关注AI前沿发展，面向AI开发流程，设计从模型到异构算力的灵活调度和极致效率，打造“云+AI”的云原生AI PaaS平台； 3、面向大规模、分布式的智算场景，实现数据加速、训练弹性、模型推理优化、模型部署优化等平台能力。
1. 建设灵骏监管控系统核心能力，不断提升客户在云上使用灵骏智算集群产品的自动化、智能化程度。 2. 建设智算集群库存管理、节点调度、性能分析、故障自动化处理、租户运维功能等核心体系能力，持续提升灵骏智算集群产品竞争力。 3. 建设系统自身高可用体系，如管控组件故障自动定位、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、保障线上系统稳定性。 4. 建设异构算力统一管理及资源调度系统，持续智算集群资源利用率、降低计算成本。 5. 持续跟踪AI智算、云原生及智能运维领域新技术，结合业务场景进行创新。 6. 该职位涉及值班响应的职责，在服务级别协议（SLA）时间内做出对客响应，推动客户问题的解决，改善客户体验。
1. 建设灵骏监管控系统核心能力，不断提升客户在云上使用灵骏智算集群产品的自动化、智能化程度。 2. 建设智算集群库存管理、节点调度、性能分析、故障自动化处理、租户运维功能等核心体系能力，持续提升灵骏智算集群产品竞争力。 3. 建设系统自身高可用体系，如管控组件故障自动定位、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、保障线上系统稳定性。 4. 建设异构算力统一管理及资源调度系统，持续智算集群资源利用率、降低计算成本。 5. 持续跟踪AI智算、云原生及智能运维领域新技术，结合业务场景进行创新。 6. 该职位涉及值班响应的职责，在服务级别协议（SLA）时间内做出对客响应，推动客户问题的解决，改善客户体验。