阿里巴巴
达摩院-高性能互连管理软件架构师-计算技术
官网发布时间：
职位描述
工作职责： 方向一: Global Fabric Manager (GFM & Switch) 1. 多节点 fabric 协调:设计与维护 GFM与LFM（SM） 的分布式协作机制(带内通路),实现跨节点的拓扑发现、配置下发、心跳保活与查询转发。 2. 拓扑发现与校验:解析多节点/单节点 fabric 拓扑,构建并校验 GPU–Switch 连接矩阵,剔除未探测到的 GPU/Switch,保证拓扑一致性。 3. Fabric 配置与路由:计算并下发全局 fabric 配置(trunk/access 端口、Switch 路由表),协调所有节点完成初始化。 4. DLink 链路管理:负责 DLink 的初始化、链路训练(link training)与状态维护,管理链路速率、连接状态与设备仓库。 5. 共享 fabric 分区:实现分区(partition)的查询、激活/去激活、多租户隔离等能力。 6. 高可用与故障降级:实现 GFM 主备(HA)、心跳检测;处理 access/trunk 链路失效、Switch 失效等场景下的降级模式(degraded mode)与"带故障继续运行"策
任职要求
1. 计算机、电子、通信等相关专业本科及以上学历,3 年以上 C/C++ 系统软件开发经验; 2. 深入理解 InfiniBand 架构，熟悉 Subnet Manager 工作机制，包括拓扑发现、LID/GUID、路由、P_Key、主备选举等。 3. 有 OpenSM 部署、配置、调试或二次开发经验，能够处理多 SM 冲突、路由异常、端口状态异常等问题。 4. 熟悉 NVIDIA GPU 集群互联技术，了解 Fabric Manager、NVSwitch、NVLink、NVLSM、DCGM 等组件及其在 DGX/HGX 系统中的作用。 5. 扎实的 Linux 系统编程功底:用户态/内核态接口、socket/TCP 网络编程、进程与线程、systemd 服务等; 6. 理解高性能互连与网络协议:NVLink/NVSwitch、InfiniBand、RDMA 中至少一项,了解其拓扑、路由、流控、QoS 等机制; 7. 良好的问题分析、定位与沟通能力,能独立攻坚复杂系统级缺陷。 加分项 • OpenSM 二次开发或自研子网管理器经验; • 有 NVIDIA Fabric Manager