AI通信库研发专家 - 网络

职位描述

团队介绍：字节跳动基础设施网络团队，负责集团全球网络基础设施设计、研发及运营工作，包括全球骨干网、数据中心网络、AI高速网络、云网络、容器网络、四七层应用网络等，基于先进的交换芯片和光互连技术，我们通过自研交换机、光芯片打造高性能的数据中心网络；基于自研RDMA协议、拥塞算法、集合通信库的创新，我们打造了超大规模的AI高速网络；基于全自研的SDN、NFV、端到端的QUIC协议、拥塞算法以及软硬结合HPA，我们设计了拥抱时代的云计算网络产品体系以及数据中心高性能的四七层网关平台、DNS系统、流量加速平台等；基于字节人工智能的加持，我们以Autopilot为目标设计了一套支撑全球网络平台的IBN、流量工程、网络观测平台。如果你对以上技术感兴趣，愿意解决超大规模的网络问题，欢迎加入我们。

1、负责集合通信库（CCL）设计、开发与优化，支持多卡/多机场景下的高性能通信，基于RDMA和scale up等互联技术，研发高速通信库及相关工具，探索通信与计算的协同优化，设计通信算子与计算算子的融合方案；

2、性能优化与问题解决：

1）分析并优化AI集群中单机内/多机间的集合通信性能（如AllReduce、All2All等）；

2）突破软硬件性能瓶颈，解决分布式训练/推理场景中的通信问题，适配复杂应用场景需求；

3）利用Triton等工具开发高性能通信计算融合算子，优化端到端通信延迟；

3、技术协作与生态建设：

1）与训练、推理、自研软硬件等团队协作，优化AI模型通信效率，支撑整体系统性能提升；

2）洞察集合通信技术趋势，推动自研通信库的架构演进与生态适配。

任职要求

1、本科学历及以上，计算机、电子工程相关专业；

2、扎实的分布式系统知识，熟悉大规模AI集群架构、网络通信原理及RDMA技术；

3、熟悉常见集合通信算法（如Ring、Tree、Halving-Doubling），了解集合通信库（NCCL等）实现原理；

4、具备复杂问题分析能力，能独立完成性能调优与故障排查；

5、熟悉megatron、fsdp等训练框架，能够对训练任务的通信瓶颈进行分析，并针对性地进行优化。