AWS PCS 中的 Slurm REST API 常見問答集

本節回答有關 AWS PCS 中 Slurm REST API 的常見問題。

什麼是 Slurm REST API？

Slurm REST API 是一種 HTTP 介面，可讓您以程式設計方式與 Slurm 工作負載管理員互動。您可以使用 GET、POST 和 DELETE 等標準 HTTP 方法來提交任務、監控叢集狀態和管理資源，而無需對叢集進行命令列存取。

我可以使用產生的權杖scontrol token嗎？

否，標準scontrol token輸出與 AWS PCS 不相容。PCS Slurm REST API 需要包含特定身分宣告的豐富 JWT 字符，包括 username(sun)、POSIX 使用者 ID(uid) 和群組 IDs()gids。標準 Slurm 權杖缺少這些必要的宣告，且會被 API 拒絕。

我可以從 VPC 外部存取 API 嗎？

否，REST API 端點只能從 VPC 中使用 Slurm 控制器的私有 IP 地址存取。若要啟用外部存取，請使用 VPC Link、API Gateway 實作 Application Load Balancer 等 AWS 服務，或建立 VPC 對等互連或 VPN 連線以實現安全連線。

為什麼 API 使用 HTTP 而不是 HTTPS？

Slurm REST API 旨在成為叢集私有網路內的內部端點。對於需要加密的生產部署，您可以在架構的更高層級實作 SSL/TLS 終止，例如透過 API 閘道、負載平衡器或反向代理。

如何控制對 REST API 的存取？

設定叢集的安全群組規則，以限制對 Slurm 控制器上連接埠 6820 的存取。設定傳入規則以僅允許來自信任 IP 範圍或 VPC 內特定來源的連線，封鎖對 API 端點的未經授權存取。

如何輪換 JWT 簽署金鑰？

將您的叢集置於沒有作用中執行個體的維護模式，然後透過 AWS Secrets Manager 啟動金鑰輪換。輪換完成後，重新啟用佇列。所有現有的 JWT 字符都將失效，並且必須使用 Secrets Manager 的新簽署金鑰重新產生。

我需要啟用 Slurm 會計才能使用 REST API 嗎？

否，基本 REST API 操作不需要 Slurm 會計，例如任務提交和監控。不過，整個/slurmdb端點需要處於作用中狀態。

哪些第三方工具可與 AWS PCS REST API 搭配使用？

許多現有的 Slurm REST API 用戶端應該使用 AWS PCS，包括適用於 Prometheus 的 Slurm Exporter、SlurmWeb，以及遵循標準 Slurm REST API 格式的自訂應用程式。不過，依賴 scontrol token 進行身分驗證的工具將需要修改，才能使用 AWS PCS JWT 需求。

使用 REST API 是否需要支付任何額外費用？

否，啟用或停用 Slurm REST API 功能無需額外費用。您只需照常支付基礎叢集資源的費用。

如何對 REST API 進行故障診斷？

網路連線問題

如果您無法連線到 API 端點，在向叢集控制器提出 HTTP 請求時，您會看到連線逾時或「連線遭拒」錯誤。

做法如下：確認您的用戶端位於相同的 VPC 中或具有適當的網路路由，並確認安全群組允許來自來源 IP 或子網路的連接埠 6820 上的 HTTP 流量。
Slurm REST 身分驗證問題

如果您的 JWT 字符無效、過期或簽署不當，API 請求會在回應的錯誤欄位中傳回「通訊協定身分驗證錯誤」。

錯誤訊息範例：
```
{
"errors": [
    {
    "description": "Batch job submission failed",
    "error_number": 1007,
    "error": "Protocol authentication error",
    "source": "slurm_submit_batch_job()"
    }
  ]
}
```
做法：檢查您的 JWT 權杖格式正確、未過期，並使用 Secrets Manager 的正確金鑰進行簽署。確認字符格式正確，並包含必要的宣告，而且您使用正確的身分驗證標頭格式。
提交後任務無法執行

如果您的 JWT 字符有效，但包含不正確的內部結構或內容，則任務可能已進入暫停 (PD) 狀態，原因碼為 JobAdminHead。使用 scontrol show job <job-id> 來檢查任務 – 您將看到 JobState=PENDING, Reason=JobHeldAdmin、和 SystemComment=slurm_cred_create failure, holding job。

做法：根本原因可能是 JWT 中的錯誤值。確認字符結構正確，並根據 PCS 文件包含必要的宣告。
工作目錄許可問題

如果 JWT 中指定的使用者身分缺少對任務工作目錄的寫入許可，任務將失敗並出現許可錯誤，類似於使用 sbatch --chdir搭配無法存取的目錄。

做法：確保 JWT 權杖中指定的使用者具有任務工作目錄的適當許可。
仍然遇到問題？
1. 檢查 REST API 規格上的 SchedMD 文件。
2. 如需錯誤的詳細資訊，請參閱 Slurm 控制器日誌（如需詳細資訊AWS PCS 中的排程器日誌，請參閱 )。

您的瀏覽器已停用或無法使用 Javascript。

您必須啟用 Javascript，才能使用 AWS 文件。請參閱您的瀏覽器說明頁以取得說明。

文件慣用形式

使用 REST API

Slurm 重新啟動