阿里云智能-灵骏AI Infra算力集群稳定性平台研发专家-杭州

优缺点分析

角色解读

• 纵向可晋升为资深技术专家或架构师，主导更大规模的智算基础设施架构演进
• 横向可转型为技术团队管理者，带领团队负责整个AI Infra或云原生运维方向
• 负责阿里云灵骏AI算力集群的稳定性保障，设计并实现健康诊断、故障自愈和智能运维系统
• 构建超节点Scale-Up网络的全生命周期管理与监控平台，确保底层算力网络的高可用性
• 参与线上值班响应，快速定位并解决复杂的分布式系统故障，保障SLA
• 精通至少一门主流后端语言（Golang/Java/Python/C++），具备扎实的数据结构与算法基础
• 拥有丰富的大规模分布式系统架构设计经验，熟悉云原生、微服务及AI框架
• 具备极强的线上稳定性保障意识和故障排查能力，熟悉监控与变更体系设计

申请策略

• 提前了解阿里云灵骏智算集群的公开技术博客或论文，展现对阿里底层技术的关注和理解
• 重点突出大规模分布式系统的设计与落地经验，特别是高可用、容灾和故障自愈相关的架构设计
• 详细列举在监控体系、变更控制或智能运维（AIOps）方面的实际项目成果和量化指标
• 展现复杂项目的管理能力或带团队经验，体现技术领导力
• 深入了解GPU集群网络架构（如RDMA、Scale-Up网络）及AI训练框架的底层运行机制
• 复习并强化云原生生态（Kubernetes、Service Mesh）及可观测性技术（Prometheus、OpenTelemetry）

面试指南

• 采用STAR法则（情境、任务、行动、结果）来结构化描述项目经验，突出个人贡献和量化收益
• 故障排查类问题遵循“发现-定位-止损-根因分析-复盘改进”的标准SRE处理流程进行回答
• 请分享一个你主导设计的大规模分布式系统架构，你是如何保障其高可用性的？
• 在面对复杂的线上突发故障时，你的排查思路和定位方法是什么？请举一个实际案例
• 如何设计一个有效的变更控制系统，以最大程度降低变更引发的线上故障？
• 针对AI智算集群的特殊性（如GPU掉卡、网络拥塞），你认为稳定性保障的难点在哪里？
• 梳理过往项目中的核心技术难点和故障案例，准备好详细的技术细节和数据指标
• 了解阿里云在AI Infra和智能运维领域的最新技术动态，准备一些对行业趋势的见解