哔哩哔哩(bilibili|b站)招聘【B-UP】GPU集群调优工程师-网络故障（实习）
招聘职位：
【B-UP】GPU集群调优工程师-网络故障（实习） 搜索同类职位
岗位介绍：
职位描述
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：
1、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
2、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
3、编写 Shell/Python 自动化脚本、运维 SOP、故障处理手册，沉淀知识库
4、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
5、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：
1、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
2、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
3、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
4、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
5、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
6、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:
1、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；
2、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；
3、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；
4、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；
5、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。
网申须知
网申开始日期：2026-06-15 00:00
网申截止日期：2027-06-30 00:00
仅限 2026-09 至 2030-06 毕业的大学生，快来投递吧～
投递简历
职位描述
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：
1、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
2、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
3、编写 Shell/Python 自动化脚本、运维 SOP、故障处理手册，沉淀知识库
4、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
5、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：
1、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
2、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
3、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
4、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
5、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
6、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:
1、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；
2、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；
3、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；
4、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；
5、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。
网申须知
网申开始日期：2026-06-15 00:00
网申截止日期：2027-06-30 00:00
仅限 2026-09 至 2030-06 毕业的大学生，快来投递吧～
投递简历
免责声明：
此信息由b站官网 (查看来源)审核并发布，我们转载该信息，仅出于传递更多就业招聘资讯、促进大学生及广大求职者就业之目的。该招聘职位信息的真实性、准确性、时效性及合法性均由原始发布方“b站官网”负责。我们作为信息转载平台，不构成求职建议，不涉及任何职业中介服务，不对其内容承担任何形式的保证责任。请用户在使用转载信息时保持审慎，自行判断并承担相应风险，求职请认准企业官方渠道！
