阿里巴巴
达摩院-高性能互连管理软件架构师-计算技术
达摩院-高性能互连管理软件架构师-计算技术
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公架构师
架构师
Fabric Manager
Linux系统编程
Rdma
分布式系统
值不值得投
81综合评分
综合评分 81
阿里达摩院核心算力基建架构岗，技术栈前沿且薪资竞争力强，侧重底层系统攻坚与长期技术沉淀。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
8.8万
比架构师中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 3570 个在招 · 其中架构师 32 个
市场机会
选择适中
成都 · 架构师 · 15 个在招
职位详情
关于这个职位
负责高性能AI集群（GPU/Switch）的底层互连管理软件架构设计与开发
需深入掌握InfiniBand/RDMA协议与NVIDIA互联技术，实现多节点拓扑发现、路由计算、链路管理及高可用故障降级机制，支撑大规模计算集群的稳定运行
最低要求
计算机、电子、通信等相关专业本科及以上学历,3 年以上 C/C++ 系统软件开发经验(资深岗位可放宽至 5 年以上);
深入理解 InfiniBand 架构，熟悉 Subnet Manager 工作机制，包括拓扑发现、LID/GUID、路由、P_Key、主备选举等
有 OpenSM 部署、配置、调试或二次开发经验，能够处理多 SM 冲突、路由异常、端口状态异常等问题
熟悉 NVIDIA GPU 集群互联技术，了解 Fabric Manager、NVSwitch、NVLink、NVLSM、DCGM 等组件及其在 DGX/HGX 系统中的作用
扎实的 Linux 系统编程功底:用户态/内核态接口、socket/TCP 网络编程、进程与线程、systemd 服务等;
理解高性能互连与网络协议:NVLink/NVSwitch、InfiniBand、RDMA 中至少一项,了解其拓扑、路由、流控、QoS 等机制;
良好的问题分析、定位与沟通能力,能独立攻坚复杂系统级缺陷
工作职责
方向一: Global Fabric Manager (GFM & Switch)
多节点 fabric 协调:设计与维护 GFM与LFM（SM） 的分布式协作机制(带内通路),实现跨节点的拓扑发现、配置下发、心跳保活与查询转发
拓扑发现与校验:解析多节点/单节点 fabric 拓扑,构建并校验 GPU–Switch 连接矩阵,剔除未探测到的 GPU/Switch,保证拓扑一致性
Fabric 配置与路由:计算并下发全局 fabric 配置(trunk/access 端口、Switch 路由表),协调所有节点完成初始化
DLink 链路管理:负责 DLink 的初始化、链路训练(link training)与状态维护,管理链路速率、连接状态与设备仓库
共享 fabric 分区:实现分区(partition)的查询、激活/去激活、多租户隔离等能力
高可用与故障降级:实现 GFM 主备(HA)、心跳检测;处理 access/trunk 链路失效、Switch 失效等场景下的降级模式(degraded mode)与"带故障继续运行"策略
错误处理与运维接口:维护错误工作队列、设备信息管理(GPU/Switch/黑名单/UUID/BDF 映射)、对外命令与查询接口(FM Lib API)、状态持久化与重启恢复
方向二: OpenSM(Switch 子网管理)
子网发现与初始化:基于 SMP(QP0/VL15/定向路由)完成子网设备发现、LID 分配(含 LMC 多 LID)、端口配置
路由计算:实现并优化线性/随机转发表(LFT)的路由算法(如 fat-tree、up/down、torus 等),保证无环、负载均衡
子网管理(SA):提供各类 SA Record 查询服务(PathRecord、ServiceRecord、PKeyTableRecord、InformInfo、MCMemberRecord、SL2VL / VLArb 等)
分区与 QoS:实现 PKey 分区管理(partitions.conf 解析、PKey 表下发与隔离)、QoS(SL→VL 映射、VL 仲裁)与多播管理
管理路径可靠性:维护事务重试/超时、VL15 出向流控、RMPP 多包可靠传输、Trap/Notice 事件处理与 SM 高可用
问题定位与性能优化:诊断 fabric 拥塞、路由异常、链路抖动、节点失联等问题,优化大规模子网的扫描收敛速度与稳定性
跨方向通用职责
参与大规模 C++ 代码库(单文件可达数千行)的架构设计、开发与重构;
与底层驱动(GPU 驱动 / 内核 ib_core、umad)、上层通信库(DCCL 等)对接联调;
编写设计文档、测试用例,参与代码评审;
支撑生产集群的上线、灰度与疑难故障攻关
优先资格
OpenSM 二次开发或自研子网管理器经验;
有 NVIDIA Fabric Manager / NVSwitch / NVLink fabric 管理相关经验;
熟悉 RDMA 生态(ib_core、libibumad、libibverbs、rdma-core、NCCL、UCX 等);
有大规模 AI/HPC 集群(千卡/万卡)网络运维或互连软件开发经验;
有 NVIDIA UFM、DCGM、HPC-X、Mellanox OFED 等工具使用经验
具备内核网络、RDMA 驱动、白盒交换机相关开发经验
AI 洞察
优缺点分析
优点
- 技术栈处于AI算力基础设施最前沿，接触千卡/万卡级真实生产集群，技术壁垒极高
- 阿里达摩院平台资源雄厚，提供充足的算力实验环境与顶尖技术导师指导
- 岗位直接支撑核心AI业务底座，技术成果转化价值大，行业认可度与跳槽溢价高
- 薪酬福利体系完善，长期激励与项目奖金机制成熟，职业安全感较强
- 技术迭代快，需持续跟进NVIDIA硬件更新与RDMA生态演进，学习曲线陡峭
- 跨团队协作复杂，需频繁与驱动、内核、上层应用团队对齐接口，沟通成本高
- 适合具备扎实C++功底与网络底层经验、渴望在AI算力基础设施领域深耕的资深系统工程师
缺点 / 挑战
- 底层系统开发容错率低，需直面生产环境高并发与极端故障场景，心理压力较大
- 核心基建岗位通常伴随紧急线上问题响应，需保持较高的技术敏锐度与抗压能力
角色解读
- 纵向深耕：成为高性能网络与AI基础设施领域的顶级技术专家或首席架构师
- 横向拓展：向AI编译器、分布式存储或云原生底层设施方向延伸，构建全栈技术视野
- 技术管理：带领底层互连研发团队，主导下一代算力网络架构规划与技术演进
- 负责AI/HPC集群底层互连管理软件（GFM/OpenSM）的架构设计与核心代码开发
- 实现多节点拓扑发现、路由计算、链路训练与高可用故障降级机制，保障集群网络稳定
- 对接底层GPU驱动与内核模块，协同上层通信库进行全链路联调与性能优化
- 主导生产环境大规模集群的上线、灰度发布及疑难系统级故障攻关
- 精通C/C++系统编程，具备大规模代码库架构设计与重构能力
- 深入掌握InfiniBand/RDMA协议栈及NVIDIA GPU集群互联技术（NVLink/NVSwitch）
- 熟悉Linux内核/用户态编程、网络协议栈及分布式系统通信机制
- 具备极强的底层问题定位能力，能独立排查路由异常、链路抖动等复杂缺陷
申请策略
- 提前研究阿里达摩院公开的技术报告，了解其在AI算力网络方面的布局与痛点
- 面试前准备1-2个完整的底层故障排查Case Study，体现结构化分析与复盘能力
- 突出大规模C++系统架构设计经验，强调代码规范、模块化设计与性能优化案例
- 详细列举InfiniBand/RDMA或NVIDIA GPU集群的实际部署、调试与二次开发经历
- 量化展示解决过的高难度系统级问题（如路由收敛速度提升、链路故障自愈时间缩短）
- 附上技术博客、开源贡献或专利论文，证明底层技术深度与持续学习能力
- 强化Linux内核网络子系统（netfilter, netpoll, RDMA core）源码阅读与调试技巧
- 动手搭建小型InfiniBand或RoCE实验环境，掌握Wireshark/tcpdump底层抓包分析
面试指南
- 采用STAR法则（情境-任务-行动-结果）结构化陈述故障排查过程，突出数据驱动与逻辑推理
- 结合协议标准文档与源码实现对比回答，先讲理论机制再谈实际调优参数与边界条件
- 针对架构设计题，分层拆解（硬件层-驱动层-协议层-应用层），明确权衡取舍（Trade-off）依据
- 请描述一次你处理过的最复杂的底层网络或系统故障，你是如何定位根因的？
- InfiniBand的Subnet Manager是如何实现拓扑发现与路由计算的？如何处理多SM冲突？
- 在高负载下，RDMA连接的拥塞控制与流量整形机制是如何工作的？
- 如何设计一个支持万卡规模集群的Fabric管理系统，保证低延迟与高可用性？
- C++代码库中遇到内存泄漏或死锁，你的系统性排查流程是什么？
职位点评
薪资福利85
成长发展92
工作生活60
使命价值78
薪资福利
85较高
作为大厂核心算力基建架构岗，薪酬水平处于市场中上游，配套完善的五险一金、补充医疗与长期激励，整体补偿性动机满足度较高。
薪资信号偏高 (6.5千–11.0万/月)
成长发展
92较高
岗位聚焦AI集群底层互连与RDMA前沿技术，技术栈极具挑战性，能提供深度的系统级成长空间与行业领先的技术视野。
技术前沿前沿/新兴技术
技术栈C++、InfiniBand、RDMA、Linux系统编程、NVIDIA GPU集群、Fabric Manager、OpenSM
业务类型profit_center
工作生活
60中等
JD未明确标注弹性工时或远程政策，底层基建岗位通常需跟随生产集群节奏响应，生活化动机满足程度中等，需做好高强度攻坚的心理准备。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
78中等
岗位直接赋能AI与大模型算力基础设施，属于国家科技战略与产业高速发展赛道，社会价值与技术使命感较强。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
阿里巴巴 的其他在招职位
相似职位推荐
Watch Jobs