AI算力集群网络工程师(J10591)

职位描述

核心职责

1. 网络架构设计与交付

○ 主导AI算力集群（GPU集群）的网络方案设计，重点优化高性能计算及分布式训练场景的网络架构。

■ 负责RoCE网络/IB网络的全栈设计与实现，包括无丢包网络的构建，确保低延迟、高吞吐。

■ 完成交换机选型、拓扑设计、配置部署（重点厂商：NVIDIA/新华三/浪潮/锐捷 等）。

■ 设计并实施网络自动化配置方案（Ansible/Python脚本等），提升大规模集群部署效率。

■ 设计实施ai训练/推理场景网络性能手动/自动测试，作为产品稳定性功能的重要组件。

2. 网络运维与优化

○ 监控集群网络性能（时延、吞吐量、丢包率），针对RoCE网络进行精细化调优（PFC、ECN、DCQCN策略配置）。

○ 定位并解决网络硬件故障（交换机 服务器 光模块 光纤等）

○ 定位并解决网络故障（如RDMA通信中断、拥塞风暴、路由震荡等），保障训练任务连续性。

○ 优化集群通信性能，减少AllReduce等集合操作时延。

○ 推动智能运维（AIOps）工具落地，实现网络异常预测与自动化根因分析。

3. 跨团队协作

○ 与计算/存储团队协同设计端到端性能优化方案（集合通讯库、高性能存储）。

○ 支持业务团队解决分布式训练中的网络瓶颈问题（如通信效率、多集群扩展）。

任职要求

必备技能

● 硬性要求：

○ 精通RoCE协议栈及无损网络技术（PFC、ECN、ETS）。

○ 3年以上超大规模数据中心网络实战经验（≥1000节点）。

○ 精通BGP/OSPF/EVPN/VxLAN等协议，具备跨厂商设备配置能力。

○ 熟练使用网络诊断工具（Wireshark、tcpdump、perf、rdma_perf）。

○ 熟悉Linux网络栈调优（TCP参数、IRQ绑定、NUMA亲和性）。

○ 具备网络自动化开发能力（Python/Go/Ansible）。

● 加分项：

○ 有NVIDIA Quantum/Spectrum交换机或InfiniBand网络运维经验。

○ 熟悉AI训练框架通信原理（NCCL/UCX/MPI）。

○ 持有CCIE/CCNP/JNCIE或同等级别认证。

任职要求

● 本科及以上学历，计算机/通信/电子工程相关专业。

● 具备高强度问题攻关能力，能快速定位复杂网络问题（如Incast拥塞、RDMA CM断开）。

● 良好的技术文档习惯，能输出架构设计、故障分析报告。

● 有AI/HPC/云平台（AWS/Azure/GCP）网络支持经验者优先。