哔哩哔哩
【B-UP】GPU集群调优工程师-网络故障（校招）
【B-UP】GPU集群调优工程师-网络故障（校招）
发布于 大约 15 小时前普通员工/个人贡献者
上海市
无经验要求
全职员工
仅现场办公
本科
信息技术与基础设施
RDMA
GPU集群
网络故障排查
Rocev2
AI 估算 · 18k–28k
哔哩哔哩校招GPU集群岗位，技术稀缺性强，上海薪资水平较高，参考互联网大厂应届生薪资，15薪制。
职位详情
关于这个职位
该职位面向2027届毕业生，加入哔哩哔哩GPU集群团队，专注于大规模AI训练集群的网络性能优化与故障排查
你将深入RDMA/RoCEv2无损网络，使用专业工具定位网络异常，保障大模型训练稳定运行
岗位涉及集群运维、自动化脚本开发及前沿技术跟踪，适合对高性能计算和网络技术充满热情的应届生
最低要求
计算机、网络工程、电子信息、高性能计算、人工智能等相关专业
熟悉 Linux 操作系统，掌握基础 Linux 命令，了解 Shell/Python 任意一种脚本语言，具备基础脚本编写能力
了解计算机网络基础原理，熟悉 TCP/IP、二层 / 三层网络架构，有 RDMA、InfiniBand、RoCE 网络认知者优先
了解 GPU、CUDA 基本概念，接触过分布式计算、高性能集群、AI 训练环境者优先
具备良好的问题排查思路、逻辑分析能力，学习能力强，能接受集群 7×24 应急值守（轮班），责任心强、善于沟通协作
工作职责
工作职责:
面向高性能 GPU 大卡集群、AI 训推集群，聚焦集群全栈性能优化、网络异常检测、服务器故障定位，支撑大模型训练、分布式算力业务稳定高效运行
团队职责：
参与大规模 GPU 集群日常压测、基线梳理、运维保障，配合完成集群扩容、版本升级、环境标准化工作
基于 Prometheus、Grafana、DCGM 等搭建集群监控大盘，输出性能报表与优化方案
编写 Shell/Python 自动化脚本、运维 SOP、故障处理手册，沉淀知识库
协同算法、平台、网络团队，联动定位集群全链路问题，保障大模型训练、分布式任务稳定运行
跟踪 GPU 集群、RDMA 网络、分布式通信前沿技术，持续优化集群架构与效率
岗位职责：
聚焦 RoCEv2/InfiniBand RDMA 无损网络，专职网络异常排查、故障检测、网络性能优化：
RDMA 网络专项故障检测：使用 rping、RDMA 遥测、会话追踪等工具，排查 RDMA 链路断连、建连失败、QP异常、CM 通信故障等问题
RoCEv2 网络异常定位：检测并分析 PFC 暂停风暴、ECN 拥塞标记异常、微丢包、时延尖刺、带宽抖动等无损网络典型故障，完成根因定位与修复
集群链路与拓扑排查：针对 800G/400G 叶脊Spine-Leaf网络，检测交换机端口错包、CRC 错误、链路 Flapping、路由跳转异常，梳理网络路径瓶颈
多租户网络隔离排查：检查 VLAN、VXLAN 网络隔离有效性，定位跨租户流量干扰、非法横向访问等问题
RDMA 性能调优：优化 RNIC 网卡参数、网络 QoS、DSCP/PCP 优先级，提升 RDMA 传输稳定性与吞吐，优化 GPU 与存储之间 NVMe-oF 读写时延
搭建网络自动化检测工具：实现 RDMA 故障、链路异常、拥塞问题自动告警、一键排查，提升网络运维效率
工作要求:
面向2027届海内外本硕博毕业生（2026年9月-2027年8月期间毕业）
计算机、网络工程、电子信息、高性能计算、人工智能等相关专业
熟悉 Linux 操作系统，掌握基础 Linux 命令，了解 Shell/Python 任意一种脚本语言，具备基础脚本编写能力
了解计算机网络基础原理，熟悉 TCP/IP、二层 / 三层网络架构，有 RDMA、InfiniBand、RoCE 网络认知者优先
了解 GPU、CUDA 基本概念，接触过分布式计算、高性能集群、AI 训练环境者优先
具备良好的问题排查思路、逻辑分析能力，学习能力强，能接受集群 7×24 应急值守（轮班），责任心强、善于沟通协作
加分项：熟悉 RoCE/IB RDMA 协议，了解 PFC、ECN 等无损网络机制，接触过交换机、服务器网卡运维优先
优先资格
熟悉 RoCE/IB RDMA 协议，了解 PFC、ECN 等无损网络机制，接触过交换机、服务器网卡运维优先
AI 洞察
优缺点分析
优点
- 加入哔哩哔哩，接触大规模AI训练集群，积累稀有的大型分布式系统运维经验
- 深度参与RDMA/RoCEv2等前沿网络技术，技能稀缺性高，市场竞争力强
- 校招岗位，公司平台大，培训体系完善，有导师带教，职业成长路径清晰
- 上海薪资水平优厚，加上上市公司的稳定福利（如五险一金、补充医保等）
- 适合对高性能网络和分布式系统有浓厚兴趣、抗压能力强、乐于在高压环境中快速成长的应届生
缺点 / 挑战
- 需要接受7×24轮班应急值守，工作强度较高，对体力和心理韧性的要求大
- 技术栈门槛较高，需要快速掌握RDMA、PFC、ECN等复杂协议，学习曲线陡峭
- 集群故障可能影响业务，压力较大，要求快速定位并解决问题，容错空间小
角色解读
- 初级GPU集群网络工程师 → 高级网络性能专家，深入RDMA/InfiniBand等前沿技术，成为数据中心网络架构核心人才
- 横向拓展至全栈GPU集群优化，涵盖计算、存储、网络，成为分布式系统专家
- 向技术管理方向发展，领导网络运维团队或成为技术架构师，制定集群网络长远规划
- 负责大规模GPU集群的网络性能优化与故障排查，主要关注RDMA/RoCEv2无损网络的异常检测和根因定位
- 使用工具如rping、RDMA遥测、会话追踪等诊断网络问题，分析PFC暂停风暴、ECN异常、微丢包等典型故障
- 参与集群日常运维，搭建监控大盘（Prometheus/Grafana/DCGM），编写自动化脚本和SOP文档
- 协同算法、平台和网络团队，解决全链路问题，保障大模型训练和分布式任务稳定运行
- 扎实的计算机网络基础，熟悉TCP/IP、二层/三层网络架构，理解RDMA、InfiniBand、RoCE等高速网络协议
- 掌握Linux操作系统和Shell/Python脚本编程，具备自动化工具开发能力
- 了解GPU、CUDA及分布式计算概念，有高性能计算或AI训练集群经验者优先
- 良好的问题分析和逻辑推理能力，能适应7×24轮班应急值守，具备团队协作精神
申请策略
- 在面试或简历中表达对高性能网络技术的热情，可准备一个你解决过的网络问题案例
- 了解哔哩哔哩的业务场景（如视频AI、推荐系统），体现你对公司技术方向的理解
- 突出网络相关项目经历，如实验室搭建过RDMA或InfiniBand集群，或参与过网络性能调优
- 强调Linux系统使用经验和Shell/Python脚本能力，可附上GitHub自动化工具项目链接
- 如果有GPU编程或分布式训练经验（如使用过CUDA、MPI、NCCL），务必重点展示
- 体现问题排查和逻辑分析能力，例如撰写过故障分析报告或参与过网络竞赛
- 系统学习RDMA协议（RoCEv2和InfiniBand），掌握PFC、ECN工作原理，可动手搭建小规模实验环境
- 练习Linux网络诊断工具（如tcpdump、iperf、ethtool）和网络性能分析
面试指南
- 对于技术对比类问题，先阐述基本原理（如RDMA绕过内核、零拷贝等），再结合实际应用场景说明优劣
- 对于故障排查类问题，按照“现象→影响→可能性→排查步骤→根因→解决方案”的逻辑展开，体现结构化思考
- 对于开放性问题，可结合自身经验或学习计划回答，表明积极态度和学习能力
- 请解释RDMA和传统TCP/IP网络的主要区别，以及RoCEv2和InfiniBand的各自特点
- 什么是PFC暂停风暴？如何检测和解决？
- 描述一次你排查网络故障的过程，包括使用的工具和思路
- 如何优化GPU集群中多节点训练时的网络性能？
- 你对7×24轮班值守的工作模式有什么看法？
职位点评
67
综合评分
大厂校招，前沿GPU网络技术，高压轮班，成长迅猛。
更适合这类人
该职位最适合追求技术成长、愿意接受高强度工作挑战的应届毕业生。
表现最好
成长发展
相对薄弱
工作生活
薪资福利75
成长发展88
工作生活35
使命价值70
薪资福利
75中等
校招岗位薪资在上海具有竞争力，且哔哩哔哩福利较好（五险一金、补充医疗等），但具体薪资未明确，薪酬信号为未披露，综合评定中等偏上。
薪资信号未披露（AI估算：18K-28K/月）
成长发展
88较高
该岗位涉及GPU集群、RDMA、RofE等前沿技术，成长空间大，公司提供导师制，但JD未明确提晋升通道，评分较高但非满分。
技术前沿前沿/新兴技术
技术栈RDMA、RoCEv2、InfiniBand、GPU集群、PFC、ECN
业务类型cost_center
工作生活
35较低
需要7×24轮班应急值守，工作强度大，WLB较差，办公地点在上海核心区域，但无明确弹性办公或远程政策，整体得分较低。
工作模式仅现场办公
办公地点市区核心地段
加班情况明确要求弹性/高强度
使命价值
70中等
B站作为大型互联网平台，技术影响力较大，但职位属于运维支撑性质，社会意义中等，行业处于AI增长期，创新性较高。
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