工作职责

主导千卡级 GPU 集群的统一算力调度,设计并落地 GPU 拓扑感知调度、显存共享与切分、潮汐与混部、碎片整理等核心调度策略,系统性提升 GPU 调度率与利用率,确保训练、推理、仿真等多类任务高效稳定运行;
深入定制 Kubernetes 调度器,基于 CRD 与调度框架开发 Gang Scheduling、优先级抢占、队列与配额(GPU Quota)管理等能力,解决大规模分布式训练的资源碎裂与排队问题;落地 Spot 实例动态弹性扩缩容与 Triton 推理服务按需动态分配,提升离在线混部场景的整体资源效率;
优化 RDMA 高速网络、分布式存储与计算资源的协同调度,设计跨云 / 跨 IDC 存储加速方案,解决大规模训练的 IO 与通信瓶颈,提升训练吞吐与整体计算效率;
全面支持主流分布式训练框架(PyTorch、TensorFlow、DeepSpeed / Megatron 等),实现任务编排、容灾自愈与异构算力混合调度;为建图、仿真等核心业务提供独立资源池与隔离保障;
建设调度平台资源可观测与成本治理体系,按团队 / 项目维度实时追踪算力消耗,推进 FinOps 精细化治理与利用率持续优化,保障平台稳定性。

任职资格

全日制本科及以上学历;熟练掌握 Java 或 Go,熟悉 Python,了解 C++;精通数据结构与算法,具备扎实的编程基础和复杂系统问题解决能力;
精通 Kubernetes 核心组件(调度器 / 网络 / 存储)、容器运行时及 CRD 开发,具备 3 年以上大规模 GPU 集群调度调优经验;有 Volcano、Kueue、HAMi 等批调度 / GPU 调度框架二次开发经验者优先;
深入理解 GPU 资源管理技术(拓扑感知、显存隔离与共享、抢占、混部),有 GPU 利用率提升的实战策略与量化成果者优先;
熟悉主流 AI 框架及分布式训练机制(数据 / 模型 / 流水线并行)与其对调度的诉求(拓扑亲和、网络带宽敏感),了解 RDMA、显存管理等加速技术;
熟悉混合云架构与阿里云等云平台弹性能力(Spot 实例、弹性伸缩),具备资源池纳管与成本优化经验者优先;
有类 PAI / 灵骏、KubeFlow、Ray 等 AI 训练平台调度研发经验者优先;有自动驾驶或仿真平台背景者优先。

GPU 算力调度专家