阿里巴巴
研究型实习生 - 通算智算一体化性能分析诊断方法与深度优化
研究型实习生 - 通算智算一体化性能分析诊断方法与深度优化
发布于 大约 2 小时前实习/见习
实习生仅现场办公高性能计算
高性能计算
Cuda
Ebpf
Gpu
Hpc
Pytorch
分布式系统
性能分析
值不值得投
62综合评分
综合评分 62
前沿技术、高成长性，但工作强度可能较大，适合热爱挑战的实习生。
从学习成长、工作节奏、岗位方向和实习待遇综合评估，方便比较实习机会。
薪资怎么样
参考估算薪资
根据职位描述推断，供对比参考
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 2040 个在招 · 其中高性能计算 7 个
市场机会
选择不多
上海 · 高性能计算 · 4 个在招
职位详情
关于这个职位
这是一个阿里巴巴的研究型实习生岗位，专注于通算智算一体化场景下的性能分析诊断与深度优化
你将深入研究CPU-GPU异构计算、系统软件栈和分布式框架，参与开发先进的性能监控与剖析工具，并探索GPU资源调度优化等关键技术
适合对系统性能优化和高性能计算有浓厚兴趣的在校学生
最低要求
扎实的计算机科学与工程功底，优秀的编程能力（精通或熟练掌握C/C++/Python等），熟悉常用数据结构、算法和设计模式，具备复杂系统设计、开发与调试经验
优秀的沟通表达、团队协作能力
具备快速学习新知识和深入钻研复杂技术问题的能力与耐心
深入理解计算机体系结构（CPU/GPU/NPU等）、操作系统、编译原理、分布式系统等基础知识
具备以下至少一个领域的深入实践经验：
·高性能计算（HPC），特别是异构计算环境下的性能分析与优化
·GPU编程与优化（如CUDA, ROCm, OpenCL等），熟悉GPU架构
·系统性能分析与调优工具（如perf, eBPF, VTune, Nsight Profiler等）的开发或深度使用经验
·虚拟化（KVM/QEMU等）、容器技术（Docker/Kubernetes等）及其性能优化
·分布式系统调度与资源管理（如YARN, Mesos, Kubernetes Scheduler等）
对AI大模型训练/推理框架（如PyTorch, TensorFlow, TensorRT, Triton等）有一定了解，并对其系统层面的性能优化有兴趣
工作职责
探索通算智算一体化场景下，端到端性能分析诊断体系的研究与构建，覆盖从底层硬件（CPU、GPU、NPU等）、系统软件到上层分布式框架和应用负载
深入研究CPU-GPU异构计算系统、分布式框架、系统软件栈（如操作系统、编译器、运行时）的性能瓶颈，提出并实现创新的软硬件协同优化方案
开发和落地先进的性能监控、剖析和诊断工具，支持从底层硬件指标到上层业务负载的全链路追踪与精准瓶颈定位
针对大规模AI模型训练/推理、通用计算等多样化负载，探索和实践GPU等异构资源的调度优化、资源容错、任务状态保存/恢复与快速迁移等关键技术，提升资源利用率和系统稳定性
研究内存（包括CPU内存和GPU显存）与计算的协同优化方案，旨在提升训推场景性能，降低整体成本，并优化资源利用率
将研究成果应用于阿里云平台及相关产品服务，提升云平台的整体性能、资源利用率和性价比，支持关键业务场景
在顶级学术会议和期刊上发表研究成果，并积极参与开源社区合作与技术推广，提升团队和公司在相关领域的技术影响力
优先资格
在相关领域的顶级会议/期刊（如OSDI, SOSP, ASPLOS, ISCA, MICRO, SC, NSDI, EuroSys, ATC等）有论文发表者优先
对大规模AI模型（如LLM）训练/推理、大数据处理等复杂应用场景的系统性能瓶颈有深入理解和实际优化经验者优先
具有GPU高性能Kernel（CUDA/ROCm等）开发和极致优化经验者优先
有参与新硬件（如自研CPU/GPU/NPU，例如倚天）评估、适配和优化经验者优先
有重要开源项目（如Linux Kernel, GCC/LLVM, Kubernetes, PyTorch/TensorFlow等）贡献经验者优先
熟悉云原生技术栈，并有相关性能优化经验者
AI 洞察
优缺点分析
优点
- 接触前沿技术，如通算智算一体化、GPU优化，技术含量高
- 阿里云平台提供大规模真实场景，实践机会丰富
- 有机会与顶尖团队合作，发表论文，提升个人品牌
- 技术难度大，需要深入理解底层硬件和系统软件
- 竞争激烈，对编程和系统能力要求高
缺点 / 挑战
- 工作强度可能较高，需要快速学习和适应
- 适合对系统性能优化有浓厚兴趣，具备扎实计算机基础，喜欢挑战复杂技术问题的学生
角色解读
- 在阿里云平台积累大规模系统性能优化经验，成为性能优化专家
- 有机会在顶级学术会议发表论文，提升学术影响力
- 可转向云计算、AI基础设施等前沿领域，发展空间广阔
- 研究通算智算一体化场景下的性能分析诊断体系，覆盖硬件、系统软件到应用层
- 深入分析CPU-GPU异构计算系统的性能瓶颈，提出并实现软硬件协同优化方案
- 开发性能监控、剖析和诊断工具，支持全链路追踪与瓶颈定位
- 探索GPU等异构资源的调度优化、容错和任务迁移技术，提升资源利用率和系统稳定性
- 扎实的计算机科学基础，精通C/C++/Python，熟悉数据结构、算法和设计模式
- 深入理解计算机体系结构、操作系统、编译原理和分布式系统
- 具备高性能计算或GPU编程经验，熟悉CUDA/ROCm等
- 熟悉性能分析工具（如perf, eBPF, VTune）和AI框架（如PyTorch, TensorFlow）
申请策略
- 关注阿里云的技术博客和开源项目，了解团队方向
- 准备展示你对性能优化的热情和实际案例
- 突出高性能计算或GPU编程项目经验，如CUDA优化、性能调优
- 强调系统设计能力，如分布式系统、操作系统相关项目
- 如有论文或开源贡献，务必列出
- 深入学习CUDA编程和GPU架构
- 熟悉性能分析工具，如perf、eBPF
- 了解AI框架的系统层优化，如PyTorch的分布式训练
面试指南
- 使用STAR法则：情境、任务、行动、结果
- 强调系统性思维：从硬件到软件全链路分析
- 展示动手能力：提及具体工具和优化效果
- 请描述一个你优化系统性能的案例，具体做了什么？
- 如何分析一个分布式训练任务的性能瓶颈？
- 解释CUDA中的内存层次结构，并如何优化显存使用？
- 你对eBPF了解多少？如何用于性能监控？
- 复习计算机体系结构、操作系统和分布式系统核心知识
职位点评
薪资福利50
成长发展90
工作生活40
使命价值70
薪资福利
50较低
实习薪资未明确，但阿里平台提供有竞争力的实习补贴和福利。
薪资信号未披露（AI估算：3K-6K/月）
成长发展
90较高
该岗位技术前沿，涉及高性能计算和AI系统优化，提供丰富的学习机会和成长空间。
技术前沿前沿/新兴技术
技术栈CUDA、ROCm、eBPF、PyTorch、Kubernetes
业务类型profit_center
工作生活
40较低
工作地点在上海，但未提及弹性工作或远程办公，可能需现场办公。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
70中等
岗位对提升云平台性能有直接贡献，具有技术影响力，但社会价值中性。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs