研究型实习生-面向AI智算 Scale-Across的长距RDMA网络的流量分析与高性能传输关键技术研究

优缺点分析

角色解读

• 可以成长为专注于高性能网络、分布式系统或AI基础设施的底层技术专家
• 有机会深入掌握从算法设计到系统实现的全链路技术，为进入核心基础架构团队打下坚实基础
• 可向系统架构师、技术专家方向发展，或在学术界继续从事相关前沿研究
• 你将深入分析真实的AI训练/推理业务流量，建立模型来理解广域RDMA网络中的性能问题
• 你需要设计创新的网络算法，如拥塞控制和丢包恢复机制，以提升长距传输的效率和稳定性
• 你的核心工作是将这些算法实现为纯软件的RDMA传输框架，并集成到高性能通信库中，为大规模AI计算提供底层支持
• 扎实的系统工程能力，能够进行内核或用户态的网络软件开发
• 深入的RDMA网络协议和分布式系统知识，了解NCCL等集合通信库
• 对AI大模型训练/推理的流程、算力需求及通信瓶颈有深刻理解
• 具备网络流量测量与分析的经验，能够处理和分析海量的Trace数据

申请策略

• 在简历和面试中，重点展示你解决复杂技术问题的思考过程和动手能力
• 提前了解阿里巴巴云智能以及其在AI智算、高性能网络方面的大致技术方向和挑战，面试时能体现你的思考和热情
• 重点突出与网络编程（Socket、RDMA）、分布式系统或高性能计算相关的项目经验，特别是涉及性能优化或内核开发的部分
• 详细描述参与过的任何与网络流量分析、拥塞控制或协议设计相关的研究或课题
• 列出掌握的编程语言（如C/C++、Go）和相关技术栈（如Linux内核、DPDK、RDMA verbs）
• 如有论文发表或技术博客，特别是与上述领域相关的，务必附上链接
• 系统复习RDMA网络协议栈和主流拥塞控制算法（如DCQCN、HPCC），了解其优缺点
• 学习并实践NCCL等集合通信库的使用和基本原理，了解其在AI训练中的角色

面试指南

• 使用STAR法则（情境、任务、行动、结果）清晰地讲述你的项目经历，重点突出你的技术决策和量化成果
• 回答原理性问题时，先阐述基本概念，再结合具体场景（如AI训练）分析其适用性和潜在改进点
• 对于开放性设计问题，展现你的结构化思维：分析问题本质（如延迟高/带宽低）、对比不同技术方案、提出可验证的解决思路
• 请描述一个你遇到过的最复杂的网络性能问题，你是如何定位和解决的？
• 请解释RDMA协议中可靠传输（如RC）和不可靠传输（如UD）的区别，以及在AI集群通信中如何选择？
• 在你看来，AI大模型训练的集合通信（AllReduce等）主要的性能瓶颈可能是什么？可以如何优化？
• 如何评估一个新设计的拥塞控制算法在真实网络环境中的效果？你会设计怎样的实验？
• 深度复盘自己做过的每一个相关项目，准备好详细的技术细节、遇到的困难及解决方案