蚂蚁金服蚂蚁集团-基础设施高可用工程师-杭州
任职要求
我们欢迎两类背景的候选人： 1、基础设施领域研发，想转向稳定性架构方向 如果你正在做中间件/容器/网络/存储等基础设施的研发，在研发过程中深度参与过故障应急、稳定性治理，并且对"从架构层面系统性解决稳定性问题"这个方向有强烈兴趣——我们非常欢迎你。你不需要有完整的SRE经验，技术深度和稳定性方向的热情是最重要的。 2、已有基础设施SRE经验，想在大规模场景下做更有挑战的事 如果你已经在存储、数据库、大数据、网络、中间件或容器等基础设施领域做过SRE，有独立处理线上故障的经验，想在千万级日请求的规模下验证和提升自己的架构能力——这里有足够大的舞台。 我们希望你具备： ● 至少一个基础设施领域的深度技术经验（中间件/容器/网络/存储/数据库/大数据中选一），能讲清底层实现原理，而非停留在方案层面。我们更看重你在某个领域的深度，而非面面俱到。 ● 大规模系统经验：参与过百节点以上规模的系统建设或运维，对大规模分布式系…
工作职责
● 守护蚂蚁全球级基础设施的稳定性：负责蚂蚁全站数百万级容器规模、数百亿次调用的基础设施服务可靠性和稳定性，覆盖服务注册中心、配置中心、限流中心、消息中心、任务调度、分布式事务、MOSN/Layotto、七层网关、HCS、DNS、NTP等核心组件。 ● 从架构层面设计高可用能力：这不是传统的"被动运维"角色。你将参与产品的稳定性架构设计，主导SLA体系建设、容灾多活方案规划、混沌工程、变更防御、自愈容灾等高可用能力的设计与落地，而不仅仅是执行日常运维。 ● 用技术手段解决规模化难题：深入理解基础设施产品和架构，结合业务场景对生产问题进行根因诊断和持续优化；帮助业务应用在可用性、成本、效率上做好合适的架构选型。 ● 推动前沿技术大规模落地：设计并落地Service Mesh、Serverless、FaaS等在蚂蚁数百万容器场景下的接入、部署和升级方案，构建平台化能力体系化识别和管控风险。 ● 探索AI驱动的智能运维：结合大模型探索AI Agent在稳定性保障中的落地实践，引领中间件产品的稳定性保障模式向数字化、智能化方向演进。
● 负责蚂蚁全站数百万级容器规模、数百亿次调用的中间件服务可靠性和稳定性工作，包括但不限于服务注册中心、配置中心、限流中心、消息中心、任务调度、分布式事务、MOSN/Layotto，设计并实施SLA体系、监控、定位应急、容量管理、自愈容灾等高可用能力，确保中间件服务和上游业务的持续可用 ● 深入理解中间件产品和架构，结合业务场景对生产问题进行诊断和持续优化；参与中间件产品的稳定性架构设计和改进，帮助业务应用在可用性、成本、效率上做好合适的架构选型。 ● 设计并落地Service Mesh、Serverless、FaaS等在蚂蚁数百万容器的大规模场景下的接入、部署和升级方案，构建平台化能力体系化识别和管控业务风险 ● 结合AI探索大模型落地实践，引领中间件产品的稳定性保障模式向数字化、智能化方向演进。
1.负责蚂蚁数据库以及计算、存储基础设施PaaS平台研发，打造顶尖的自动化/智能化/Self-Driving的数据库PaaS平台产品。 2.负责蚂蚁数据库以及数据基础设施的高可用平台产品研发，大规模场景下的安全变更管控、超大规模下的极致弹性能力建设、无人值守化容灾能力建设，异常检测、根因定位、故障自愈能力建设。 3.负责蚂蚁数据库以及计算、存储产品的混合云架构，及产品研发。
构建面向大规模AI集群的GPU微架构采集、性能剖析与优化决策系统，建设集群的性能分析、瓶颈定位、故障诊断等核心能力。 1. 针对NVIDIA、AMD、国产GPGPU等多厂商芯片，设计并实现规模化、无侵入的kernel级采集工具链和微架构指标体系； 2. 构建AI continuous profiling系统，将GPU kernel数据与算子执行、框架调度、通信原语、CPU性能、高性能通信性能相关联，为全栈性能优化提供量化的性能瓶颈数据和画像系统； 3. 结合理论 Roofline 分析与 simulation 方法，融合线上 profiling 数据，建设集群范围的软硬件配合与关键性能瓶颈分析体系，支撑AI训练与推理典型负载下的系统级优化； 4. 跟踪主流GPU架构演进，参与AI基础设施规划与设计，结合生产应用画像，支撑多元GPU/AI ASIC芯片的适配与优化，构建异构硬件性能的全链路量化分析模型，面向scale-up等未来AI硬件架构演进，建立硬件性能建模与TCO评估能力，形成数据驱动的决策支撑。
负责集团多种大模型的基础训推性能优化，聚焦异构GPU的高性能算子库、通信库的开发和优化，提升计算、通信的并行效率，设计并实现高效的并行计算策略、分布式推理方案等。面向集团多变的大模型训推场景，提炼核心的优化方法，探索通用的编译优化方案，跟进前沿技术，并将优化能力集成到自研/开源大模型推理/训练框架/编译器，推动优化方案在实际业务场景中的落地，持续创新构建业界领先的AI Infra。