主分类：云基础设施与系统软件研发
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "监控系统研发（J102503）",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "ACG",
"location": "北京市",
"work_mode": "未披露",AI生成
"job_category": "技术"AI生成
},
"company": {
"company_name": "百度",
"company_industry": "互联网 / 人工智能",
"company_size": "10000人以上",
"company_website": "baidu.com",
"company_description": "百度围绕搜索发展人工智能技术，业务涉及语音、图像、知识图谱、自然语言处理、自动驾驶和AI芯片。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": 1,
"degree": "- 计算机/通信/网络工程相关专业本科及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "- 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\n- 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\n- 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\n- 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\n- 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\n- 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\n- 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）\n- 跟踪AI网络发展趋势，推动新技术在百度内部场景的落地",
"requirements_text": "- 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\n- 熟悉SNMP、Telemetry、NetFlow/sFlow/IPFIX等采集协议\n- 了解RDMA技术栈（RoCEv2/InfiniBand）、PFC/ECN/DCQCN拥塞控制、NCCL等集合通信库优先\n- 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）\n- 熟悉至少一种监控技术栈：Prometheus/VictoriaMetrics/Grafana/ClickHouse/InfluxDB/Kafka/Flink\n- 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\n- 熟悉使用AI工具辅助开发，如借助主流模型完成Coding",
"skills": [AI生成
"Python",
"Java",
"C++",
"Rust",
"ClickHouse",
"Linux",
"Docker",
"Flink",
"Kafka",
"Go"
],
"preferred_qualifications": "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）",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent.baidu.com/jobs/detail/SOCIAL/de81254f-e272-47cd-b7d6-5d5f518632a9"
}
]
},
"posting": {
"posting_id": "de81254f-e272-47cd-b7d6-5d5f518632a9",
"post_date": "2026-07-14",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent.baidu.com/jobs/detail/SOCIAL/de81254f-e272-47cd-b7d6-5d5f518632a9"
},
"fulltext": "监控系统研发（J102503）\n监控系统研发（J102503）\n\n基础信息\n部门：ACG\n地点：北京市\n类别：技术\n招聘人数：1\n发布时间：2026-07-21\n\n工作职责\n- 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\n- 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\n- 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\n- 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\n- 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\n- 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\n- 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）\n- 跟踪AI网络发展趋势，推动新技术在百度内部场景的落地\n\n职责要求\n- 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\n- 熟悉SNMP、Telemetry、NetFlow/sFlow/IPFIX等采集协议\n- 了解RDMA技术栈（RoCEv2/InfiniBand）、PFC/ECN/DCQCN拥塞控制、NCCL等集合通信库优先\n- 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）\n- 熟悉至少一种监控技术栈：Prometheus/VictoriaMetrics/Grafana/ClickHouse/InfluxDB/Kafka/Flink\n- 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\n- 熟悉使用AI工具辅助开发，如借助主流模型完成Coding\n- 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\n- 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\n- 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\n- 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\n- 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\n- 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\n- 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）\n- 跟踪AI网络发展趋势，推动新技术在百度内部场景的落地\n- 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\n- 熟悉SNMP、Telemetry、NetFlow/sFlow/IPFIX等采集协议\n- 了解RDMA技术栈（RoCEv2/InfiniBand）、PFC/ECN/DCQCN拥塞控制、NCCL等集合通信库优先\n- 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）\n- 熟悉至少一种监控技术栈：Prometheus/VictoriaMetrics/Grafana/ClickHouse/InfluxDB/Kafka/Flink\n- 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\n- 熟悉使用AI工具辅助开发，如借助主流模型完成Coding",
"standard_classification": {
"std_category_code": "T018",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}