负责支撑量化研究的存储与计算基础设施建设，覆盖 PB 级存储、Kubernetes 原生计算平台、分布式计算、训练与推理，提升高负载场景下的系统稳定性和资源效率。 岗位职责 ●优化 PB 级存储的数据访问、缓存及 I/O 路径，结合业务需求开展 RDMA／RoCEv2 网络优化，解决吞吐、拥塞和尾延迟问题。 ●基于 Kubernetes 原生 API、Controller／Operator 和调度扩展机制，建设任务队列与批量调度能力。 ●完善配额、优先级、抢占、驱逐和资源隔离机制，在长期高负载及资源竞争下保障关键任务。 ●围绕 Ray、PyTorch、KubeRay 或类似组件，建设分布式计算、训练与推理能力。 ●完善任务生命周期、故障恢复、检查点及任务重放，支持历史任务与实验复现。 ●逐步开展多机多卡性能分析，优化数据加载、CPU/GPU 协同、显存、通信及任务放置，提升有效吞吐和 GPU 利用率；通过可观测性、负载重放与对照实验验证效果。 任职要求 ●知名院校大学本科学历以上，计算机相关专业，具备扎实的操作系统、网络和分布式系统基础，熟悉 Linux。 ●具备良好的编码能力，熟练掌握 Go、C++、Python、Rust 等语言中的至少一种。 ●熟悉 Kubernetes 调度与资源管理机制，有 Controller／Operator 或调度插件开发经验者优先。 ●在分布式存储、任务队列、批量调度、分布式计算或训练推理平台中的至少一个方向有深入实践，能够阅读组件源码并跨层定位问题。 ●具备高负载生产集群的系统性优化经验，处理过资源超售、资源争抢或性能干扰，能够说明技术取舍及可量化收益。 加分项 ●有 PB 级存储、RDMA／RoCEv2 网络优化经验，理解 ECN/PFC 及拥塞控制。 ●有 Kueue、Volcano、Ray、KubeRay 或类似组件研发经验，涉及公平调度、Gang Scheduling、拓扑感知、背压或容错。 ●有 PyTorch 分布式训练与推理经验，熟悉 DDP／FSDP、NCCL，以及 PyTorch Profiler、Nsight、perf、eBPF 等性能分析工具；熟练使用 Coding Agent 处理复杂工程任务。