百度
监控系统研发（J102503）
监控系统研发（J102503）
发布于 1 天前普通员工/个人贡献者
北京市
初级经验
全职员工
仅现场办公
本科
信息技术与基础设施
Clickhouse
Go
Gpu
Rdma
AI 估算 · 20k–35k
北京一线大厂，技术栈前沿，薪资具有竞争力
职位详情
关于这个职位
该职位负责百度大规模数据中心（含GPU集群）的网络监控平台设计与研发，构建端到端可观测性能力，实现故障智能感知与自动定位
技术栈前沿，涉及RDMA、流式计算、时序数据库等，适合对网络监控和AI基础设施感兴趣的工程师
最低要求
计算机/通信/网络工程相关专业本科及以上学历，1-3年数据中心网络/监控/NetDevOps相关经验
熟悉SNMP、Telemetry、NetFlow/sFlow/IPFIX等采集协议
熟悉至少一种监控技术栈：Prometheus/VictoriaMetrics/Grafana/ClickHouse/InfluxDB/Kafka/Flink
熟练掌握Python/Go/Java/C++/Rust等中至少一种，有Linux系统能力、容器（Docker/K8s）使用经验
熟悉使用AI工具辅助开发，如借助主流模型完成Coding
工作职责
负责大规模数据中心（含传统通用集群与GPU智算集群）网络监控平台的整体架构设计、规划与落地，构建覆盖物理层到应用层的端到端可观测性能力
设计并实现网络故障智能感知、根因分析与自动定位系统，提升MTTR（平均故障恢复时间），实现分钟级甚至秒级故障识别，支撑高SLA业务稳定运行
搭建高吞吐、低延迟的指标/日志/流数据处理链路，基于Kafka、流式计算、ClickHouse、VictoriaMetrics、Prometheus等时序与流式技术栈完成清洗、聚合、降采样与长期存储
基于Grafana、自研前端及BI工具，构建多维度网络监控大盘、拓扑视图、链路质量看板与告警分析平台，提供一体化运营视图
深入RDMA（RoCEv2/InfiniBand）网络运行机制，建设PFC、ECN、丢包、重传、拥塞、Pause帧、HoL Blocking等RDMA关键指标的采集与异常检测能力，支撑AI大模型训练对网络的极致要求
负责GPU集群（H100/H800/A100/A800等）AI训练/推理网络的可观测性方案，涵盖参数面（Scale-out）、存储面、管理面网络的全链路监控，配合NCCL、HCCL等集合通信库做端到端流量与性能分析
设计多级告警策略、动态阈值与告警收敛算法，降低告警风暴，推动可自动化处置场景的闭环自愈能力建设（如自动隔离故障端口、流量重调度、链路切换等）
跟踪AI网络发展趋势，推动新技术在百度内部场景的落地
优先资格
了解RDMA技术栈（RoCEv2/InfiniBand）、PFC/ECN/DCQCN拥塞控制、NCCL等集合通信库优先
有GPU训练集群、AI Infra基础设施建设、运维或监控经验者优先（H100/H800、A100/A800、IB Quantum、Spectrum-X等）
AI 洞察
优缺点分析
优点
- 技术栈前沿，涉及AI基础设施和RDMA等新兴领域
- 岗位位于核心业务，支撑AI大模型训练，重要性高
- 涉及技术面广，需要同时掌握网络、分布式、时序数据处理等
- 适合对网络技术、可观测性和AI基础设施有浓厚兴趣，喜欢解决复杂系统问题的工程师
缺点 / 挑战
- 百度平台大，数据量大，挑战性强，成长快
- 大规模系统的高可用和低延迟要求高，工作压力较大
- 需要快速学习RDMA等新知识，门槛较高
角色解读
- 技术深耕：成为网络监控和可观测性领域的专家
- 架构升级：从监控系统扩展到AI Infra整体架构
- 管理方向：带领团队，负责更大规模的系统设计
- 设计并落地大规模数据中心网络监控平台，涵盖传统集群和GPU智算集群
- 开发故障智能感知与根因分析系统，缩短故障恢复时间
- 搭建高吞吐数据处理链路，处理指标、日志和流数据
- 深入RDMA网络，建设关键指标的采集与异常检测能力
- 熟悉网络监控技术栈：Prometheus、ClickHouse、Kafka等
- 掌握至少一门编程语言（Python/Go等），有Linux和容器经验
- 了解RDMA技术、GPU集群网络和AI训练场景
申请策略
- 关注百度的AI战略，在面试中展现对AI基础设施的理解
- 准备一个自己主导的监控或故障处理案例，体现系统性思维
- 突出数据中心网络或监控相关项目经验，尤其是高并发、大数据量场景
- 展示对Prometheus、Kafka等中间件的深入使用或二次开发经历
- 如果有GPU集群或RDMA相关经验，务必重点提及
- 提前学习RDMA基础概念和常用工具（如ib_send_bw）
- 熟悉CNCF生态中的可观测性组件（OpenTelemetry等）
- 补充AI训练网络知识，了解NCCL集合通信
面试指南
- STAR法则：描述场景、任务、行动和结果
- 技术选型对比：列出多种方案，分析优劣势并给出决策依据
- 数字说话：用具体指标（如QPS、延迟、MTTR）量化成果
- 请描述你设计过的一个监控系统，如何保证高可用和低延迟？
- 解释RDMA中的PFC和ECN如何工作，为什么对AI训练重要？
- 如何设计告警收敛算法避免告警风暴？
- 介绍一个排查网络故障的实际案例，用了哪些工具？
- 对Prometheus和ClickHouse的优缺点对比？
职位点评
68
综合评分
百度核心运维岗位，前沿技术栈，发展空间大，但WLB一般。
更适合这类人
适合追求技术成长、愿意投身AI基础设施建设的初级或中级工程师。
表现最好
成长发展
相对薄弱
工作生活
薪资福利80
成长发展85
工作生活40
使命价值65
薪资福利
80较高
百度作为一线大厂，薪资福利具有竞争力，且明确要求1-3年经验，初级工程师也能获得较好的薪酬回报。
薪资信号未披露（AI估算：20K-35K/月）
成长发展
85较高
技术栈前沿（RDMA、GPU集群、时序大数据），可观测性方向快速发展，个人技能成长空间大。
技术前沿前沿/新兴技术
技术栈Kafka、ClickHouse、Prometheus、Grafana、RDMA、GPU、AI
业务类型profit_center
工作生活
40较低
北京仅现场办公，未提及弹性工作或远程，互联网大厂通常工作节奏较快，WLB一般。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
65中等
支撑AI大模型训练，属于高速增长赛道，对技术发展有积极意义，但社会影响力偏中性。
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