本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
Slurm reboot 中的常见问题解答 AWS 个
查找有关在 PCS 中 AWS 使用 Slurm 重启的常见问题的答案。
- 什么是 Slurm 重启支持？
-
支持原生 Slurm 命令
scontrol reboot。使用此命令可在不自动更换实例的情况下重启计算节点，从而保留 EC2 实例容量并降低运营成本。 - 谁可以使用 Slurm 重启命令？
-
只有 Slurm 管理员用户（根用户）才能执行重启命令。尝试使用的普通用户
scontrol reboot将在不影响节点的情况下收到来自 Slurm 的权限拒绝错误。 - 重启期间正在运行的作业会发生什么？
-
默认情况下，任务在重新启动之前正常完成。如果使用 ASAP 选项，则会耗尽节点以防止出现新任务，并且会在当前任务完成后重新启动。可以取消作业，也可以要求立即重启作业。
- 这与 EC2 控制台重启有何不同？
-
Slurm 重启可以保留 EC2 实例并避免更换，而 EC2 控制台重启会因重启过程中运行状况检查失败而触发 PC 替换实例。
- 我可以配置自定义重启脚本吗？
-
不，初始版本不支持 RebootProgram 配置。该功能使用标准的 Slurm 重启行为，不支持自定义脚本。
- 重启 Slurm 需要多长时间？
-
重启时间因实例类型、客户启动进程、AMI 配置以及任务是否需要先完成而异。该过程包括等待任务完成、物理重启、运行状况检查和 slurmd 守护程序注册。
- 我能看到重启的历史吗？
-
重启事件记录在 Slurm 日志（slurmctld 和 slurmd）中，可以通过这些日志（slurmctld 和 slurmd）进行监控。 CloudWatch节点状态中的原因字段显示了该过程中的重启原因。
- 如果节点在重启期间卡住了怎么办？
-
如果节点未在其中完成重启过程 ResumeTimeout，则会将其标记为 DOWN。检查 CloudWatch 日志中是否存在错误，验证网络连接，并检查 slurmd 日志。如果问题仍然存在，请联系 AWS 支持部门。
- 我可以一次重启多个节点吗？
-
是的，你可以在 reboot 命令中指定多个节点：
scontrol reboot ASAP node1,node2,node3 - 如何在不等待任务完成的情况下重启节点？
-
要在遇到影响多节点任务、严重性能下降或 GPU 行为不稳定等问题时立即重启节点，有两种选择：
-
取消并重新启动 — 首先，使用取消受影响的作业
scancel <job_id>，然后使用启动立即重启scontrol reboot ASAP <nodename>。正在运行的任务将终止，需要在节点恢复后重新提交。 -
Drain and Requeue（影响较小）— 首先启动排空并使用重新启动
scontrol reboot ASAP <nodename>，然后使用重新排列受影响的任务。scontrol requeue <job_id>这会使任务恢复到待处理状态，而不是将其取消。
-
- 如果我指定 nextState=down 会发生什么？
-
如果您指定
nextstate=DOWN，则在重启并触发实例替换后，该节点将被标记为运行状况不佳。为避免替换实例，请勿指定 nextstate 或使用nextstate=RESUME。
其他资源
-
有关基本的重启过程，请参见在中使用 Slurm 重启计算节点 AWS PCS。
-
要解决重启问题，请参阅对中的 Slurm 重启问题进行故障排除 AWS 个。
-
有关 Slurm 重启文档，请参阅 Slurm 控制文档。
