智算网络工程师

岗位职责 1、负责智算中心GPU集群底层网络架构规划、部署与实施，包含InfiniBand、RoCE高速网络的组网、割接、扩容与性能调优，保障多机分布式训练通信带宽与低延迟需求； 2、负责高速网络设备（IB 交换机、网卡、网关等）日常运维，包含配置管理、固件升级、端口状态监控、拥塞控制优化，处理网络丢包、时延抖动、RDMA 通信异常等故障； 3、负责智算集群网络监控体系建设，对接Prometheus/Grafana等监控平台，采集网络吞吐、PFC、ECN、CRC 错误、带宽利用率等指标，建立告警机制，提前识别网络隐患； 4、负责网络故障应急响应，针对分布式训练报错、NCCL 通信失败、GPU集群跨节点通信异常等场景进行根因定位，主导故障处理与事后复盘，输出优化方案； 5、参与智算集群网络自动化运维建设，使用Ansible、Python等工具实现网络配置批量下发、信息采集、巡检自动化，提升大规模集群运维效率； 6、协同GPU运维、平台研发团队，完成集群上线验证、性能压测，分析网络瓶颈；参与容量规划，评估网络资源，输出网络降本增效方案； 7、对接硬件厂商，处理网络硬件故障，完成备件更换、流程跟进； 8、跟踪InfiniBand、RoCE、SHARP等高速网络新技术演进，沉淀智算网络运维规范、故障排查手册； 任职要求 1、本科及以上学历，计算机、网络工程、电子、通信等相关专业； 2、3 年以上数据中心网络运维经验，至少1年智算/AI集群高速网络（InfiniBand 或 RoCE）运维实战经验； 3、精通 Linux 系统，熟悉 Linux 网络栈、具备扎实的网络故障排查能力； 4、熟练掌握InfiniBand或RoCE组网技术，理解RDMA、PFC、ECN、SHARP、NCCL通信底层原理，能够定位分布式训练场景下网络相关问题； 5、熟悉IB交换机、高速网卡等设备的配置、固件升级与诊断；掌握ibstat、ibv_devinfo、perfquery等IB网络诊断工具； 6、熟悉Prometheus、Grafana监控体系，能够搭建高速网络指标采集与可视化告警； 7、熟悉Ansible、Shell/Python脚本开发，具备网络自动化运维落地经验；了解 Docker/K8s，熟悉容器场景下RDMA网络部署优先； 8、具备良好的问题分析能力，能够独立处理集群重大网络故障，有大规模AI智算集群项目经验优先。