Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich. # SlurmLeitfaden für den Modus mit mehreren Warteschlangen Hier erfahren Sie, wie AWS ParallelCluster und wie Sie Warteschlangenknoten (Partitionsknoten) Slurm verwalten und wie Sie die Warteschlangen- und Knotenstatus überwachen können. ## -Übersicht Die Skalierungsarchitektur basiert auf dem [Cloud Slurm Scheduling Guide](https://slurm.schedmd.com/elastic_computing.html) und dem Energiespar-Plugin. Weitere Informationen zum Energiespar-Plugin finden Sie im [SlurmPower Saving Guide](https://slurm.schedmd.com/power_save.html). In der Architektur sind Ressourcen, die potenziell für einen Cluster verfügbar gemacht werden können, in der Slurm Konfiguration in der Regel als Cloud-Knoten vordefiniert. ## Lebenszyklus eines Cloud-Knotens Während ihres gesamten Lebenszyklus treten Cloud-Knoten in mehrere, wenn nicht sogar alle der folgenden Zustände ein:`POWER_SAVING`, `POWER_UP` (`pow_up`), `ALLOCATED` (`alloc`) und `POWER_DOWN` (`pow_dn`). In einigen Fällen kann ein Cloud-Knoten in den `OFFLINE` Status wechseln. In der folgenden Liste werden verschiedene Aspekte dieser Zustände im Lebenszyklus eines Cloud-Knotens beschrieben. + **Ein Knoten in einem `POWER_SAVING` Status** wird mit einem `~` Suffix (zum Beispiel`idle~`) in `sinfo` angezeigt. In diesem Status unterstützen keine EC2-Instances den Knoten. SlurmKann dem Knoten jedoch weiterhin Jobs zuweisen. + **Ein Knoten, der in einen `POWER_UP` Status übergeht,** wird mit einem `#` Suffix (zum Beispiel`idle#`) in angezeigt. `sinfo` Ein Knoten wechselt automatisch in einen `POWER_UP` Status, wenn er einem Knoten in einem Status einen Job Slurm zuweist. `POWER_SAVING` Alternativ können Sie die Knoten manuell als `su` Root-Benutzer mit dem folgenden Befehl in den `POWER_UP` Status überführen: ``` $ scontrol update nodename={{nodename}} state=power_up ``` In dieser Phase `ResumeProgram` wird der aufgerufen, EC2-Instances werden gestartet und konfiguriert und der Knoten wechselt in den Status. `POWER_UP` + **Ein Knoten, der derzeit zur Verwendung verfügbar ist**, wird ohne Suffix angezeigt (z. B.`idle`) in. `sinfo` Nachdem der Knoten eingerichtet wurde und dem Cluster beigetreten ist, steht er für die Ausführung von Jobs zur Verfügung. In dieser Phase ist der Knoten ordnungsgemäß konfiguriert und einsatzbereit. Als allgemeine Regel empfehlen wir, dass die Anzahl der Amazon EC2 EC2-Instances der Anzahl der verfügbaren Knoten entspricht. In den meisten Fällen sind statische Knoten verfügbar, nachdem der Cluster erstellt wurde. + **Ein Knoten, der in einen `POWER_DOWN` Status übergeht,** wird mit einem `%` Suffix (z. B.`idle%`) in angezeigt. `sinfo` Dynamische Knoten wechseln automatisch in den `POWER_DOWN` Status danach. [`ScaledownIdletime`](Scheduling-v3.md#yaml-Scheduling-SlurmSettings-ScaledownIdletime) Im Gegensatz dazu werden statische Knoten in den meisten Fällen nicht ausgeschaltet. Sie können die Knoten jedoch manuell als `su` Root-Benutzer mit dem folgenden Befehl in den `POWER_DOWN` Status versetzen: ``` $ scontrol update nodename={{nodename}} state=down reason="manual draining" ``` In diesem Zustand werden die mit einem Knoten verknüpften Instanzen beendet, und der Knoten wird in den `POWER_SAVING` Status zurückversetzt und kann danach wieder verwendet [`ScaledownIdletime`](Scheduling-v3.md#yaml-Scheduling-SlurmSettings-ScaledownIdletime)werden. Die [`ScaledownIdletime`](Scheduling-v3.md#yaml-Scheduling-SlurmSettings-ScaledownIdletime)Einstellung wird in der Slurm `SuspendTimeout` Konfigurationseinstellung gespeichert. + **Ein Knoten, der offline ist,** wird mit einem `*` Suffix (z. B.`down*`) in `sinfo` angezeigt. Ein Knoten geht offline, wenn der Slurm Controller den Knoten nicht kontaktieren kann oder wenn die statischen Knoten deaktiviert sind und die unterstützenden Instanzen beendet werden. Betrachten Sie die Knotenstatus, die im folgenden `sinfo` Beispiel gezeigt werden. ``` $ sinfo PARTITION AVAIL TIMELIMIT NODES STATE NODELIST efa up infinite 4 idle~ efa-dy-efacompute1-[1-4] efa up infinite 1 idle efa-st-efacompute1-1 gpu up infinite 1 idle% gpu-dy-gpucompute1-1 gpu up infinite 9 idle~ gpu-dy-gpucompute1-[2-10] ondemand up infinite 2 mix# ondemand-dy-ondemandcompute1-[1-2] ondemand up infinite 18 idle~ ondemand-dy-ondemandcompute1-[3-10],ondemand-dy-ondemandcompute2-[1-10] spot* up infinite 13 idle~ spot-dy-spotcompute1-[1-10],spot-dy-spotcompute2-[1-3] spot* up infinite 2 idle spot-st-spotcompute2-[1-2] ``` Für die `efa-st-efacompute1-1` Knoten `spot-st-spotcompute2-[1-2]` und sind bereits Backing-Instances eingerichtet, sodass sie verwendet werden können. Die `ondemand-dy-ondemandcompute1-[1-2]` Knoten befinden sich im `POWER_UP` Status und sollten innerhalb weniger Minuten verfügbar sein. Der `gpu-dy-gpucompute1-1` Knoten befindet sich im `POWER_DOWN` Status und geht danach in den `POWER_SAVING` Status über [`ScaledownIdletime`](Scheduling-v3.md#yaml-Scheduling-SlurmSettings-ScaledownIdletime)(standardmäßig 10 Minuten). Alle anderen Knoten befinden sich im `POWER_SAVING` Status, ohne dass sie von EC2-Instances unterstützt werden. ## Mit einem verfügbaren Knoten arbeiten Ein verfügbarer Knoten wird von einer Amazon EC2 EC2-Instance unterstützt. Standardmäßig kann der Knotenname verwendet werden, um per SSH direkt auf die Instance zuzugreifen (zum Beispiel`ssh efa-st-efacompute1-1`). Die private IP-Adresse der Instanz kann mit dem folgenden Befehl abgerufen werden: ``` $ scontrol show nodes {{nodename}} ``` Suchen Sie im zurückgegebenen `NodeAddr` Feld nach der IP-Adresse. Bei Knoten, die nicht verfügbar sind, sollte das `NodeAddr` Feld nicht auf eine laufende Amazon EC2 EC2-Instance verweisen. Vielmehr sollte es mit dem Knotennamen identisch sein. ## Status und Einreichung von Job In den meisten Fällen werden übermittelte Jobs sofort Knoten im System zugewiesen oder als ausstehend eingestuft, wenn alle Knoten zugewiesen sind. Wenn die für einen Job zugewiesenen Knoten auch Knoten in einem `POWER_SAVING` Status enthalten, beginnt der Job mit einem `CF` oder`CONFIGURING`. Zu diesem Zeitpunkt wartet der Job darauf, dass die Knoten im `POWER_SAVING` Status in den Status übergehen `POWER_UP` und verfügbar werden. Nachdem alle für einen Job zugewiesenen Knoten verfügbar sind, wechselt der Job in den Status `RUNNING` (`R`). Standardmäßig werden alle Jobs an die Standardwarteschlange (auch als Partition in bezeichnetSlurm) weitergeleitet. Dies wird durch ein `*` Suffix nach dem Warteschlangennamen gekennzeichnet. Sie können mit der Option zum Einreichen von `-p` Jobs eine Warteschlange auswählen. Alle Knoten sind mit den folgenden Funktionen konfiguriert, die in Befehlen zur Auftragsübermittlung verwendet werden können: + Ein Instanztyp (zum Beispiel`c5.xlarge`) + Ein Knotentyp (Dies ist entweder `dynamic` oder`static`.) Sie können die Funktionen für einen bestimmten Knoten mit dem folgenden Befehl anzeigen: ``` $ scontrol show nodes {{nodename}} ``` Überprüfen Sie im Gegenzug die `AvailableFeatures` Liste. Betrachten Sie den Anfangsstatus des Clusters, den Sie anzeigen können, indem Sie den `sinfo` Befehl ausführen. ``` $ sinfo PARTITION AVAIL TIMELIMIT NODES STATE NODELIST efa up infinite 4 idle~ efa-dy-efacompute1-[1-4] efa up infinite 1 idle efa-st-efacompute1-1 gpu up infinite 10 idle~ gpu-dy-gpucompute1-[1-10] ondemand up infinite 20 idle~ ondemand-dy-ondemandcompute1-[1-10],ondemand-dy-ondemandcompute2-[1-10] spot* up infinite 13 idle~ spot-dy-spotcompute1-[1-10],spot-dy-spotcompute2-[1-3] spot* up infinite 2 idle spot-st-spotcompute2-[1-2] ``` Beachten Sie, dass `spot` dies die Standardwarteschlange ist. Sie wird durch das `*` Suffix angezeigt. Sendet einen Job an einen statischen Knoten in der Standardwarteschlange (`spot`). ``` $ sbatch --wrap {{"sleep 300"}} -N {{1}} -C {{static}} ``` Sendet einen Job an einen dynamischen Knoten in der `EFA` Warteschlange. ``` $ sbatch --wrap {{"sleep 300"}} -p {{efa}} -C {{dynamic}} ``` Sendet einen Job an acht (8) `c5.2xlarge` Knoten und zwei (2) `t2.xlarge` Knoten in der `ondemand` Warteschlange. ``` $ sbatch --wrap {{"sleep 300"}} -p {{ondemand}} -N {{10}} -C "[{{c5.2xlarge*8&t2.xlarge*2}}]" ``` Senden Sie einen Job an einen GPU-Knoten in der `gpu` Warteschlange. ``` $ sbatch --wrap {{"sleep 300"}} -p {{gpu}} -G {{1}} ``` Berücksichtigen Sie den Status der Jobs mithilfe des `squeue` Befehls. ``` $ squeue JOBID PARTITION NAME USER ST TIME NODES NODELIST(REASON) 12 ondemand wrap ubuntu CF 0:36 10 ondemand-dy-ondemandcompute1-[1-8],ondemand-dy-ondemandcompute2-[1-2] 13 gpu wrap ubuntu CF 0:05 1 gpu-dy-gpucompute1-1 7 spot wrap ubuntu R 2:48 1 spot-st-spotcompute2-1 8 efa wrap ubuntu R 0:39 1 efa-dy-efacompute1-1 ``` Die Jobs 7 und 8 (in den `efa` Warteschlangen `spot` und) werden bereits ausgeführt (`R`). Die Jobs 12 und 13 werden noch konfiguriert (`CF`) und warten wahrscheinlich darauf, dass Instanzen verfügbar werden. ``` # Nodes states corresponds to state of running jobs $ sinfo PARTITION AVAIL TIMELIMIT NODES STATE NODELIST efa up infinite 3 idle~ efa-dy-efacompute1-[2-4] efa up infinite 1 mix efa-dy-efacompute1-1 efa up infinite 1 idle efa-st-efacompute1-1 gpu up infinite 1 mix~ gpu-dy-gpucompute1-1 gpu up infinite 9 idle~ gpu-dy-gpucompute1-[2-10] ondemand up infinite 10 mix# ondemand-dy-ondemandcompute1-[1-8],ondemand-dy-ondemandcompute2-[1-2] ondemand up infinite 10 idle~ ondemand-dy-ondemandcompute1-[9-10],ondemand-dy-ondemandcompute2-[3-10] spot* up infinite 13 idle~ spot-dy-spotcompute1-[1-10],spot-dy-spotcompute2-[1-3] spot* up infinite 1 mix spot-st-spotcompute2-1 spot* up infinite 1 idle spot-st-spotcompute2-2 ``` ## Status und Funktionen des Knotens In den meisten Fällen werden Knotenstatus AWS ParallelCluster gemäß den spezifischen Prozessen im Cloud-Knoten-Lebenszyklus, die weiter oben in diesem Thema beschrieben wurden, vollständig verwaltet. Ersetzt oder beendet jedoch AWS ParallelCluster auch fehlerhafte Knoten in `DRAINED` Zuständen `DOWN` und Knoten, die über fehlerhafte Backing-Instances verfügen. Weitere Informationen finden Sie unter [`clustermgtd`](processes-v3.md#clustermgtd-v3). ## Status der Partition AWS ParallelCluster unterstützt die folgenden Partitionsstatus. Eine Slurm Partition ist eine Warteschlange in AWS ParallelCluster. + `UP`: Zeigt an, dass sich die Partition in einem aktiven Zustand befindet. Dies ist der Standardstatus einer Partition. In diesem Zustand sind alle Knoten in der Partition aktiv und können verwendet werden. + `INACTIVE`: Zeigt an, dass sich die Partition im inaktiven Zustand befindet. In diesem Zustand werden alle Instanzen, die Knoten einer inaktiven Partition unterstützen, beendet. Neue Instanzen werden für Knoten in einer inaktiven Partition nicht gestartet. ## pcluster update-compute-fleet + **Stoppen der Rechenflotte** — Wenn der folgende Befehl ausgeführt wird, gehen alle Partitionen in den `INACTIVE` Status über, und AWS ParallelCluster Prozesse behalten die Partitionen im `INACTIVE` Status bei. ``` $ pcluster update-compute-fleet --cluster-name {{testSlurm}} \ --region {{eu-west-1}} --status STOP_REQUESTED ``` + **Starten der Compute-Flotte** — Wenn der folgende Befehl ausgeführt wird, wechseln zunächst alle Partitionen in den `UP` Status. AWS ParallelCluster Prozesse halten die Partition jedoch nicht in einem `UP` Zustand. Sie müssen den Partitionsstatus manuell ändern. Alle statischen Knoten sind nach einigen Minuten verfügbar. Beachten Sie, dass das Einstellen einer Partition auf keine dynamische Kapazität erhöht. `UP` ``` $ pcluster update-compute-fleet --cluster-name {{testSlurm}} \ --region {{eu-west-1}} --status START_REQUESTED ``` Wenn `update-compute-fleet` es ausgeführt wird, können Sie den Status des Clusters überprüfen, indem Sie den `pcluster describe-compute-fleet` Befehl ausführen und das überprüfen`Status`. Im Folgenden werden mögliche Status aufgeführt: + `STOP_REQUESTED`: Die Flottenanforderung „Stop Compute“ wird an den Cluster gesendet. + `STOPPING`: Der `pcluster` Prozess stoppt derzeit die Compute-Flotte. + `STOPPED`: Der `pcluster` Prozess hat den Stoppvorgang abgeschlossen, alle Partitionen befinden sich im `INACTIVE` Status und alle Recheninstanzen wurden beendet. + `START_REQUESTED`: Die Anfrage zum Starten der Compute-Flotte wird an den Cluster gesendet. + `STARTING`: Der `pcluster` Prozess startet derzeit den Cluster. + `RUNNING`: Der `pcluster` Prozess hat den Startvorgang abgeschlossen, alle Partitionen befinden sich im `UP` Status und statische Knoten sind nach einigen Minuten verfügbar. + `PROTECTED`: Dieser Status weist darauf hin, dass bei einigen Partitionen konsistente Bootstrap-Fehler auftreten. Die betroffenen Partitionen sind inaktiv. Bitte untersuchen Sie das Problem und starten Sie dann den Vorgang`update-compute-fleet`, um die Flotte erneut zu aktivieren. ## Manuelle Steuerung von Warteschlangen In einigen Fällen möchten Sie möglicherweise die Knoten oder die Warteschlange (auch Partition genanntSlurm) in einem Cluster manuell steuern. Mithilfe des `scontrol` Befehls können Sie Knoten in einem Cluster mithilfe der folgenden gängigen Verfahren verwalten. + **Dynamische Knoten im `POWER_SAVING` Status einschalten** Führen Sie den Befehl als `su` Root-Benutzer aus: ``` $ scontrol update nodename={{nodename}} state=power_up ``` Sie können auch einen `sleep 1` Platzhalter-Job einreichen, der eine bestimmte Anzahl von Knoten anfordert, und sich dann Slurm darauf verlassen, dass die erforderliche Anzahl von Knoten eingeschaltet wird. + **Schalten Sie dynamische Knoten vorher aus [`ScaledownIdletime`](Scheduling-v3.md#yaml-Scheduling-SlurmSettings-ScaledownIdletime)** Wir empfehlen, dynamische Knoten mit dem `DOWN` folgenden Befehl auf `su` Root-Benutzer einzustellen: ``` $ scontrol update nodename={{nodename}} state=down reason="manually draining" ``` AWS ParallelCluster beendet die ausgefallenen dynamischen Knoten automatisch und setzt sie zurück. Im Allgemeinen wird davon abgeraten, Knoten `POWER_DOWN` direkt mithilfe des Befehls so einzustellen, dass sie aktiviert werden. `scontrol update nodename={{nodename}} state=power_down` Das liegt daran, dass der Abschaltvorgang AWS ParallelCluster automatisch abgewickelt wird. + **Deaktivieren Sie eine Warteschlange (Partition) oder stoppen Sie alle statischen Knoten in einer bestimmten Partition** Stellen Sie eine bestimmte Warteschlange mit dem folgenden Befehl `INACTIVE` als `su` Root-Benutzer ein: ``` $ scontrol update partition={{queuename}} state=inactive ``` Dadurch werden alle Instanzen beendet, die Knoten in der Partition unterstützen. + **Aktiviert eine Warteschlange (Partition)** Stellen Sie mit dem folgenden Befehl `UP` eine bestimmte Warteschlange für einen `su` Root-Benutzer ein: ``` $ scontrol update partition={{queuename}} state=up ``` ## Skalierungsverhalten und Anpassungen **Hier ist ein Beispiel für den normalen Skalierungsablauf:** + Der Scheduler empfängt einen Job, für den zwei Knoten erforderlich sind. + Der Scheduler versetzt zwei Knoten in einen `POWER_UP` Status und ruft `ResumeProgram` mit den Knotennamen auf (zum Beispiel`queue1-dy-spotcompute1-[1-2]`). + `ResumeProgram`startet zwei Amazon EC2 EC2-Instances und weist die privaten IP-Adressen und Hostnamen von zu. Wartet auf `ResumeTimeout` (der Standardzeitraum beträgt 30 Minuten)`queue1-dy-spotcompute1-[1-2]`, bevor die Knoten zurückgesetzt werden. + Die Instances werden konfiguriert und treten dem Cluster bei. Ein Job wird auf Instanzen ausgeführt. + Der Job wird abgeschlossen und wird nicht mehr ausgeführt. + Nach Ablauf der konfigurierten `SuspendTime` Zeit (die auf gesetzt ist [`ScaledownIdletime`](Scheduling-v3.md#yaml-Scheduling-SlurmSettings-ScaledownIdletime)), setzt der Scheduler die Instanzen auf den Status. `POWER_SAVING` Der Scheduler wechselt dann `queue1-dy-spotcompute1-[1-2]` auf den `POWER_DOWN` Status und ruft `SuspendProgram` mit den Knotennamen auf. + `SuspendProgram`wird für zwei Knoten aufgerufen. Knoten bleiben in diesem `POWER_DOWN` Zustand, z. B. indem sie eine Zeit `idle%` lang verbleiben `SuspendTimeout` (der Standardzeitraum beträgt 120 Sekunden (2 Minuten)). Nachdem `clustermgtd` erkannt wurde, dass Knoten heruntergefahren werden, werden die unterstützenden Instances beendet. Anschließend wechselt es in `queue1-dy-spotcompute1-[1-2]` den Ruhezustand und setzt die private IP-Adresse und den Hostnamen zurück, sodass es für future Aufgaben einsatzbereit ist. **Wenn etwas schief geht und eine Instanz für einen bestimmten Knoten aus irgendeinem Grund nicht gestartet werden kann, passiert Folgendes:** + Der Scheduler erhält einen Job, für den zwei Knoten erforderlich sind. + Der Scheduler versetzt zwei Cloud-Bursting-Knoten in den `POWER_UP` Status und ruft `ResumeProgram` mit den Knotennamen auf (zum Beispiel). `queue1-dy-spotcompute1-[1-2]` + `ResumeProgram`startet nur eine (1) Amazon EC2 EC2-Instance und konfiguriert`queue1-dy-spotcompute1-1`, bei der eine (1) Instance nicht gestartet werden kann. `queue1-dy-spotcompute1-2` + `queue1-dy-spotcompute1-1`ist nicht betroffen und geht online, nachdem der Status erreicht wurde. `POWER_UP` + `queue1-dy-spotcompute1-2`wechselt in den `POWER_DOWN` Status, und der Job wird automatisch in die Warteschlange gestellt, da ein Knotenausfall Slurm erkannt wird. + `queue1-dy-spotcompute1-2`wird danach verfügbar `SuspendTimeout` (die Standardeinstellung ist 120 Sekunden (2 Minuten)). In der Zwischenzeit wird der Job in die Warteschlange gestellt und kann auf einem anderen Knoten ausgeführt werden. + Der obige Vorgang wird wiederholt, bis der Job auf einem verfügbaren Knoten ausgeführt werden kann, ohne dass ein Fehler auftritt. **Es gibt zwei Timing-Parameter, die bei Bedarf angepasst werden können:** + **`ResumeTimeout`(Die Standardeinstellung ist 30 Minuten)**: `ResumeTimeout` Steuert die Slurm Wartezeit, bis der Knoten in den ausgefallenen Zustand versetzt wird. + Eine Verlängerung kann nützlich sein, `ResumeTimeout` wenn der pre/post Installationsvorgang fast so lange dauert. + `ResumeTimeout`ist auch die maximale AWS ParallelCluster Wartezeit, bis ein Knoten ersetzt oder zurückgesetzt wird, falls ein Problem auftritt. Rechenknoten beenden sich selbst, wenn während des Starts oder der Einrichtung ein Fehler auftritt. AWS ParallelCluster Prozesse ersetzen einen Knoten, wenn eine beendete Instanz erkannt wird. + **`SuspendTimeout`(Die Standardeinstellung ist 120 Sekunden (2 Minuten))**: `SuspendTimeout` Steuert, wie schnell Knoten wieder im System platziert werden und wieder einsatzbereit sind. + Ein kürzerer Wert `SuspendTimeout` bedeutet, dass Knoten schneller zurückgesetzt werden und häufiger versuchen Slurm können, Instances zu starten. + Länger `SuspendTimeout` bedeutet, dass ausgefallene Knoten langsamer zurückgesetzt werden. SlurmVersucht in der Zwischenzeit, andere Knoten zu verwenden. Wenn `SuspendTimeout` es länger als ein paar Minuten dauert, wird Slurm versucht, alle Knoten im System zu durchlaufen. Eine längere Laufzeit `SuspendTimeout` könnte für große Systeme (über 1.000 Knoten) von Vorteil sein, um die stress zu verringern, Slurm wenn sie versuchen, häufig fehlgeschlagene Jobs in die Warteschlange zu stellen. + Beachten Sie, dass sich `SuspendTimeout` dies nicht auf die AWS ParallelCluster Wartezeit bezieht, bis eine Backing-Instance für einen Knoten beendet wird. Backing-Instances für `POWER_DOWN` Knoten werden sofort beendet. Der Terminierungsvorgang ist in der Regel in wenigen Minuten abgeschlossen. Während dieser Zeit verbleibt der Knoten jedoch im `POWER_DOWN` Status und steht dem Scheduler nicht zur Verfügung. ## Protokolle für die Architektur Die folgende Liste enthält die wichtigsten Protokolle. Der mit Amazon CloudWatch Logs verwendete Protokollstreamname hat das Format`{{{hostname}}}.{{{instance_id}}}.{{{logIdentifier}}}`, in dem die Protokollnamen {{logIdentifier}} folgen. + `ResumeProgram`: `/var/log/parallelcluster/slurm_resume.log` (`slurm_resume`) + `SuspendProgram`: `/var/log/parallelcluster/slurm_suspend.log` (`slurm_suspend`) + `clustermgtd`: `/var/log/parallelcluster/clustermgtd.log` (`clustermgtd`) + `computemgtd`: `/var/log/parallelcluster/computemgtd.log` (`computemgtd`) + `slurmctld`: `/var/log/slurmctld.log` (`slurmctld`) + `slurmd`: `/var/log/slurmd.log` (`slurmd`) ## Häufige Probleme und Anleitung zum Debuggen: **Knoten, die nicht gestartet, hochgefahren oder dem Cluster nicht beigetreten sind** + Dynamische Knoten: + Prüfen Sie im `ResumeProgram` Protokoll, ob mit dem Knoten aufgerufen `ResumeProgram` wurde. Falls nicht, überprüfen Sie das `slurmctld` Protokoll, um festzustellen, ob Slurm versucht wurde, `ResumeProgram` mit dem Knoten anzurufen. Beachten Sie, dass falsche Berechtigungen dazu führen `ResumeProgram` können, dass der Vorgang unbemerkt fehlschlägt. + Wenn aufgerufen `ResumeProgram` wird, überprüfen Sie, ob eine Instanz für den Knoten gestartet wurde. Wenn die Instance nicht gestartet wurde, sollte es eine klare Fehlermeldung geben, warum die Instance nicht gestartet werden konnte. + Wenn eine Instance gestartet wurde, ist möglicherweise während des Bootstrap-Vorgangs ein Problem aufgetreten. Suchen Sie die entsprechende private IP-Adresse und Instanz-ID aus dem `ResumeProgram` Protokoll und sehen Sie sich die entsprechenden Bootstrap-Protokolle für die jeweilige Instanz in CloudWatch Logs an. + Statische Knoten: + Prüfen Sie im `clustermgtd` Protokoll, ob Instanzen für den Knoten gestartet wurden. Wenn Instances nicht gestartet wurden, sollte es eindeutige Fehler darüber geben, warum die Instances nicht gestartet werden konnten. + Wenn eine Instance gestartet wurde, liegt ein Problem mit dem Bootstrap-Prozess vor. Suchen Sie die entsprechende private IP und Instanz-ID aus dem `clustermgtd` Protokoll und sehen Sie sich die entsprechenden Bootstrap-Protokolle für die jeweilige Instanz unter Logs an CloudWatch . **Knoten, die unerwartet ersetzt oder beendet wurden, und Knotenausfälle** + Knoten replaced/terminated unerwartet: + In den meisten Fällen `clustermgtd` erledigt es alle Wartungsaktionen für Knoten. Um zu überprüfen, ob ein Knoten `clustermgtd` ersetzt oder beendet wurde, überprüfen Sie das `clustermgtd` Protokoll. + Wenn der Knoten `clustermgtd` ersetzt oder beendet wurde, sollte eine Meldung erscheinen, in der der Grund für die Aktion angegeben ist. Wenn der Grund mit dem Scheduler zusammenhängt (zum Beispiel der Knoten`DOWN`), suchen Sie im `slurmctld` Protokoll nach weiteren Einzelheiten. Wenn der Grund mit Amazon EC2 zusammenhängt, verwenden Sie Tools wie Amazon CloudWatch oder die Amazon EC2 EC2-Konsole, CLI oder SDKs, um den Status oder die Protokolle für diese Instance zu überprüfen. Sie können beispielsweise überprüfen, ob die Instance geplante Ereignisse hatte oder die Amazon EC2 EC2-Integritätsprüfungen nicht bestanden hat. + Falls der Knoten `clustermgtd` nicht beendet wurde, überprüfen Sie, ob der Knoten `computemgtd` beendet wurde oder ob EC2 die Instance beendet hat, um eine Spot-Instance zurückzugewinnen. + Knotenausfälle: + In den meisten Fällen werden Jobs automatisch in die Warteschlange gestellt, wenn ein Knoten ausfällt. Schauen Sie im `slurmctld` Protokoll nach, warum ein Job oder ein Knoten ausgefallen ist, und beurteilen Sie die Situation von dort aus. **Fehler beim Ersetzen oder Beenden von Instanzen, Fehler beim Herunterfahren von Knoten** + `clustermgtd`Behandelt im Allgemeinen alle erwarteten Aktionen zum Beenden von Instanzen. Sehen Sie im `clustermgtd` Protokoll nach, warum ein Knoten nicht ersetzt oder beendet werden konnte. + Wenn dynamische Knoten ausfallen [`ScaledownIdletime`](Scheduling-v3.md#yaml-Scheduling-SlurmSettings-ScaledownIdletime), schauen Sie im `SuspendProgram` Protokoll nach, ob `slurmctld` Prozesse Aufrufe mit dem spezifischen Knoten als Argument ausgeführt haben. Note führt eigentlich `SuspendProgram` keine bestimmte Aktion aus. Vielmehr protokolliert es nur, wenn es aufgerufen wird. Alle Instanzbeendigungen und `NodeAddr` Resets sind bis abgeschlossen`clustermgtd`. Slurmübergibt Knoten nach `IDLE` danach`SuspendTimeout`. **Andere Probleme:** + AWS ParallelCluster trifft keine Entscheidungen zur Stellenzuweisung oder Skalierung. Es versucht lediglich, Ressourcen gemäß den Anweisungen zu starten, zu beenden und zu Slurm verwalten. Bei Problemen mit der Auftragszuweisung, der Knotenzuweisung und der Skalierungsentscheidung suchen Sie im `slurmctld` Protokoll nach Fehlern.