蚂蚁金服研究型实习生-流量认知中的大模型的持续学习（continual learning）研究
任职要求
研究领域： -目前正在攻读计算机科学或相关STEM领域的学士,硕士或博士学位 -具有一种或多种通用编程语言的经验,包括但不限于: Java,C/C ++ 、Python、JavaScript或Go -具有上述研究领域的相关经验,包括行业经验或作为参与实验室研究 优先录用： -对技术研究充满热情,具有产生新思想和创新的能力; 在自学,问题分析和解决方面表现出色 -在国际会议上或核心期刊发表一份或多份出版物或论文 -至少3个月的全职工作
工作职责
研究领域： 深度学习 项目简介： 在当今数字经济飞速发展的背景下，支付宝作为全球领先的金融科技平台，其巨大的用户流量形成了丰富且多维的海量流量数据。这些流量数据表示着用户的端内端外行为动线，能够反映出用户的心智偏好或者风险意图。但是目前对于端内流量的认知和盘点严重依赖人工，需要人工发现流量中的问题，并且总结流量表现的行为模式，整个过程费时费力。大模型的横空出世提供了一种通用的流量认知方案，能够识别出用户在端内的行为模式。由于垂类模型优化下，大模型的通用性能常常遭遇极速衰退，因此需要持续学习。
研究领域： 人工智能 项目简介： 随着数字化转型加速，安全领域积累了大量超长复杂数据，如多模态接口流量、细粒度行为日志等，其单条数据长度常达数万字符，且蕴含专业领域知识与隐蔽风险特征。传统机器学习模型受限于语义理解能力不足，面临风险误判率高、上下文关联断裂等瓶颈。尽管大语言模型展现出卓越的认知推理潜力，但在处理超长安全数据时仍存在注意力漂移、关键信息丢失等问题，导致风险检测准召率下降。本项目聚焦大模型在安全场景下的长文本处理边界突破，通过创新数据表征与推理架构，构建适配安全领域特性的超长数据处理范式，为提升安全威胁的智能化研判提供技术支撑。
本岗位定位于通过软硬结合方式，研发高性能加密IP包分片加速技术，解决业界普遍只能基于CPU处理分片加密IP包的性能瓶颈，从而使能多云网络间的灵活流量调度。主要关键技术包括IP加密技术、分片报文识别技术和硬件加速技术、转发平面快刷技术、高可用性技术等。
1. 在AI/HPC突发流量激增的背景下，探索软硬件协同设计新的方法，重构软硬件功能边界，实现异构计算资源的深度融合与动态适配 2. 多核协同调度机制：构建基于资源感知的动态调度算法，建立多维约束条件下的最优任务分配模型 3. 关键性能瓶颈突破：重点攻克时延抖动抑制、缓存资源动态分配等核心挑战，建立面向服务质量保障的调度优化框架；
专注于Anycast系统的开发、设计和调优，具体职责包括： 1.基于机器学习的数据流量优化问题：利用机器学习技术分析和预测网络流量模式，从而优化数据在Anycast网络中的传输路径，提高网络的整体效率和鲁棒性。 2.基于机器学习的流量路由策略（learning to route）：使用机器学习模型动态调整流量路由策略，减少网络拥堵，提高数据包传输的成功率和速度。 3.基于机器学习的故障检测与恢复（learning to detect and recover）：开发机器学习算法实时监控Anycast网络中的节点和链路状态，及时检测异常并自动触发恢复机制，以保证服务的连续性和稳定性。 4.基于机器学习的资源分配（learning to allocate resources）：根据实时的网络负载和用户请求特点，动态调整服务器和网络资源的分配策略，以优化Anycast服务的性能和成本。 5.基于机器学习的网络安全策略（learning to secure）：利用机器学习算法识别并防御潜在的网络攻击和安全威胁，增强Anycast网络的安全性和可靠性。