智算基础设施SRE工程师 - 高性能网络方向(J10793)

职位描述

1）负责超大规模集群在训练、推理、数据传输等核心场景下的高性能网络系统的运维、设计和研发；

2）参与 RDMA、RoCEv2、DPDK 等高性能网络技术的落地与优化，构建极致低延迟、高带宽的通信能力；

3）深入开展大规模训练下的通信性能分析工作，运用先进分析与诊断工具，精准定位并优化性能瓶颈；

4）开发与优化基础网络服务系统，包括但不限于网络地址分配、负载均衡等，同时建设管控平台，实现大模型训练集群网络的自动化管理；

5）支持网络协议分析、性能调优、故障排查等系统级问题解决，提升系统整体稳定性与可观测性；

6）推进高性能网络与平台系统（如训练框架、Kubernetes、RPC 框架）之间的深度融合；

任职要求

1）精通网络编程，熟练掌握 C/C++、Rust、Python、GO等至少一种编程语言，能够编写高效的网络通信代码；

2）有能力设计和实现分布式系统中的负载均衡、故障恢复等机制，保障系统的可靠性；

3）熟悉 Linux 网络子系统，能够进行网络协议栈相关调优、profiling 和调试分析；

4）对高性能分布式计算或大规模 AI 系统有理解，熟悉分布式训练、AllReduce 等通信模式优先；

5）熟悉 SmartNIC 编程（如 P4、eBPF）、PCIe 流控、多队列调度等底层原理；

6）拥有高性能网络研发工作经验，有实际的大规模集群网络项目开发经验，熟悉 Kubernetes 网络架构、Service Mesh 或网络可观测性工具建设；

7）有在超大规模集群中推进网络性能提升 / 压测 / 治理的经验；

8）深入理解 RDMA/NCCL/MPI 等通信协议和原理，能够运用这些技术进行高性能网络开发和方案设计；

9）有能力设计和实现分布式系统中的负载均衡、故障恢复等机制，保障系统的可靠性.