岗位职责
- 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
职位要求
- 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 - 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） - 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
