返回岗位列表

AI算力集群网络工程师

查看原岗位

地点：杭州薪资：20-40K 日期：2026-03-05

岗位摘要

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）

岗位职责

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
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
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

本科及以上学历，计算机/通信/电子工程相关专业
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）
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NVIDIA Quantum/Spectrum交换机或InfiniBand网络运维经验者优先
熟悉AI训练框架通信原理（NCCL/UCX/MPI）者优先
持有CCIE/CCNP/JNCIE或同等级别认证者优先
有AI/HPC/云平台（AWS/Azure/GCP）网络支持经验者优先

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

福利待遇

薪资范围20-40K·16薪

工作地址

杭州滨江区医惠中心EWELLA座