AWS PCS での Slurm を使用したコンピューティングノードの再起動

キャパシティーを維持する – キャパシティーに制約のある EC2 インスタンスを他の顧客に失わないようにします。

コストの削減 – 不要なインスタンス交換サイクルとアイドルノードの継続的な請求を排除します。

復旧の迅速化 – インスタンスの置き換えと比較してプロビジョニングの遅延はありません。

運用上の柔軟性 – メモリリークのクリア、一時ファイルの削除、ノードの劣化状態からの復旧を行います。

トラブルシューティング — 特に GPU ノードのパフォーマンスの問題や応答しないプロセスを解決します。

リソースのクリーンアップ — メモリリーク、 の一時ファイル/tmp、またはジョブのパフォーマンスに影響するプロセスのスタックをクリアします。

復旧 — 完全なノード交換が必要になる前に、ハング状態またはデグレード状態からノードを復旧します。

再起動コマンドを実行できるのは、Slurm 管理者ユーザー (ルートユーザー) のみです。

再起動のサポートは scontrol rebootのみに制限されています。

RebootProgram 設定はサポートされていません。

コンソールインターフェイスなし – コマンドラインのみ。