职位描述"1、集群网络架构设计：负责AI集群参数面、数据面、业务面、管理面四大网络平面的整体规划与架构设计，完成IB/RoCE高速网络、以太网Spine-Leaf架构的方案设计、子网规划、域划分、流量调度策略配置，保障多平面网络隔离、高可用、低延迟。 2、建设阶段技术把控：配合第三方集群建设团队，跟进网络设备上架、组网部署、参数配置全流程，审核网络建设方案、配置规范，规避网络架构缺陷、组网漏洞、流量冲突等问题。 3、上线前网络性能验收：制定高速网络验收标准与测试方案，完成网络带宽、时延、抖动、丢包、NCCL通信性能、多机通信稳定性等全维度验收测试，输出验收报告，不合格网络严禁上线投入使用。 4、常态化网络监控运维：集群上线运营后，负责全网实时监控，持续监测IB/RoCE网络、以太网链路运行状态，及时发现链路异常、网络风暴、端口故障、流量拥堵、通信劣化等隐性问题，快速定位排查故障。 5、网络性能分析与优化：定期复盘集群网络真实运行性能、流量特征、通信瓶颈，结合大模型训练、算力调度业务场景，输出网络性能分析报告，迭代优化网络架构、参数配置、流量策略，持续提升集群通信效率与稳定性。 6、网络体系标准化建设：梳理集群网络运维SOP、配置基线、变更规范、应急预案，建立网络故障库、优化案例库，支撑集群规模化、标准化运营。 7、跨团队协同支撑：配合集群测试、SRE、运维、交付团队，解决网络相关故障与性能问题，支撑集群扩容、算力隔离、业务上线、SLA履约等工作。"任职要求"1、本科及以上学历，网络工程、计算机、通信相关专业，5年以上大型AI智算集群、数据中心高速网络运维设计经验。 2、精通数据中心以太网Spine-Leaf架构，熟练掌握IB/RoCE高速网络核心技术，精通Mellanox等主流高速交换机配置与运维，熟悉网络四平面隔离设计逻辑。 3、深入理解AI集群多机多卡通信场景，熟悉NCCL、RDMA通信原理，能够独立完成高速网络性能测试、瓶颈定位、故障排查与优化。 4、具备大规模AI集群网络建设、验收、运维全流程经验，可独立输出网络设计方案、验收标准、优化方案。 5、精通网络监控、流量分析、故障排查工具，具备网络风暴、链路抖动、通信异常等疑难问题的快速处置能力。 6、熟悉Linux系统网络配置，了解算力集群调度逻辑，能结合业务场景优化网络策略。 7、工作严谨负责，具备极强的问题分析能力与闭环意识，能独立承担网络全生命周期质量把控工作。"
