哔哩哔哩
【B-UP】GPU集群调优工程师-网络故障（实习）
【B-UP】GPU集群调优工程师-网络故障（实习）
发布于 大约 15 小时前实习/见习
上海市
无经验要求
实习生
仅现场办公
学历未注明
信息技术与基础设施
分布式计算
高性能计算
CUDA
RDMA
GPU集群
AI训练
Rocev2
Dcgm
网络故障检测
AI 估算 · 4k–6k
实习岗位，上海地区，B站为上市大厂，实习薪资本科约200-250元/天，硕士约250-300元/天，按月估算约5000元。
职位详情
关于这个职位
这是一个偏向网络方向的GPU集群实习岗位，主要负责RDMA无损网络的故障排查与性能优化，参与大规模AI训练集群的运维保障，适合对高性能网络和分布式计算感兴趣的同学
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
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
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
- 实习岗位直接接触前沿的RDMA无损网络技术，市场价值高
- B站平台大，能参与大规模AI训练集群运维，积累实战经验
- 团队涉及全栈优化，学习机会多，可能接触多种工具和框架
- 该领域人才竞争相对较小，未来职业发展空间大
- 需要轮班值守，工作强度可能较大，对体力与精力要求高
- RDMA网络调试难度高，需要较强的学习能力和耐心
- 实习期可能较短，需快速上手并独立处理故障
- 适合对网络底层原理和高性能计算感兴趣，愿意钻研复杂问题，能接受不定时值班的理工科学生
缺点 / 挑战
暂无明显挑战项
角色解读
- 实习后可转向GPU集群运维/网络工程师，深耕高性能网络领域
- 积累RDMA和分布式训练经验，可向AI基础设施架构师发展
- 随着大模型发展，该领域人才稀缺，未来可往系统优化或网络研发方向进阶
- 负责GPU集群中RDMA网络的故障排查与性能优化，使用工具定位链路断开、拥塞等问题
- 监控集群网络状态，通过Prometheus、Grafana等搭建大盘，输出性能报表
- 参与RoCEv2/InfiniBand无损网络的调优，优化网卡参数和QoS配置
- 编写自动化脚本和运维手册，提升故障处理效率
- 熟悉Linux操作系统和基础命令，能编写Shell/Python脚本
- 理解TCP/IP及二层/三层网络架构，了解RDMA、InfiniBand、RoCE协议
- 了解GPU和CUDA基本概念，有分布式计算或AI训练环境接触经验更佳
- 具备问题排查和逻辑分析能力，能适应轮班值守
申请策略
- 了解B站业务和技术栈，体现对AI基础设施的兴趣
- 在简历中突出适应轮班和高压环境的意愿
- 突出网络相关项目经验，比如TCP/IP调优、RDMA使用经历等
- 强调Linux和脚本技能，如Shell/Python自动化脚本
- 如果有GPU、CUDA或AI训练环境接触经验，务必写明
- 展示问题排查案例，体现逻辑分析和快速学习能力
- 提前学习RDMA协议和RoCEv2原理，了解PFC、ECN等机制
- 熟悉Prometheus、Grafana监控工具，搭建过简单的监控demo
面试指南
- 从协议栈分层入手，先检查物理层再逐步向上
- 结合具体工具（如rping、perftest）说明诊断步骤
- 强调监控指标（如重传、丢包率）和可视化方法
- 描述RDMA建连失败的可能原因及排查步骤
- 什么是PFC风暴？如何检测和解决？
- 你如何用Prometheus+Grafana监控网络延迟？
- 请解释ECN如何帮助减少拥塞
- 你在Linux下如何排查网络丢包问题？
职位点评
59
综合评分
前沿技术实习，成长性强，但工作强度大，适合追求技术积累的学生。
更适合这类人
最适合重视技术成长、愿意在压力环境下快速学习的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利50
成长发展85
工作生活30
使命价值70
薪资福利
50较低
实习薪资处于市场平均水平，但B站提供实习证明和成长机会，福利未在JD中明确提及，整体补偿性中等偏低。
薪资信号未披露（AI估算：4K-6K/月）
成长发展
85较高
该岗位注重前沿技术（RDMA、RoCEv2、GPU集群），实习期能深度参与核心系统优化，技能成长空间大。
技术前沿前沿/新兴技术
技术栈RDMA、RoCEv2、InfiniBand、GPU集群、分布式计算、AI训练、Prometheus、Grafana、DCGM
成长机会知识库、前沿技术跟踪
业务类型profit_center
工作生活
30较低
实习需轮班值守（7×24应急），工作强度大，无远程选项，WLB较差。
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
该岗位支持AI基础设施建设，对技术创新有贡献，行业前景好，但社会影响力相对间接。
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