排查扩展问题

• /var/log/cfn-init.log：这是 Amazon CloudFormation 初始化日志。其中包含设置实例时运行的所有命令。可以用它来排查初始化问题。

• /var/log/chef-client.log：这是 Chef 客户端日志。其中包含通过 Chef/CINC 运行的所有命令。可以用它来排查初始化问题。

• /var/log/parallelcluster/slurm_resume.log：这是 ResumeProgram 日志。它启动动态节点的实例。可以用它来排查动态节点启动问题。

• /var/log/parallelcluster/slurm_suspend.log：这是 SuspendProgram 日志。在终止动态节点的实例时会调用该日志。可以用它来排查动态节点终止问题。查看此日志时，还应检查 clustermgtd 日志。

• /var/log/parallelcluster/clustermgtd：这是 clustermgtd 日志。它作为集中式进程守护程序运行，用于管理大多数集群操作。可以用它来排查任何启动、终止或集群操作问题。

• /var/log/slurmctld.log：这是 Slurm 控制进程守护程序日志。Amazon ParallelCluster 不会做出扩展决策。相反，它只会尝试启动资源来满足 Slurm 的要求。它可用于排查扩展和分配问题、与作业相关的问题以及与调度器相关的任何启动和终止问题。

• /var/log/parallelcluster/compute_console_output：此日志记录意外终止的静态计算节点样本子集的控制台输出。如果静态计算节点终止并且计算节点日志在中不可用，则使用此日志 CloudWatch。您得到的 compute_console_output log 内容与使用 EC2 控制台或 Amazon CLI 检索实例控制台输出时的内容相同。

• /var/log/cloud-init-output.log：这是 cloud-init 日志。其中包含设置实例时运行的所有命令。可以用它来排查初始化问题。

• /var/log/parallelcluster/computemgtd：这是 computemgtd 日志。它在每个计算节点上运行，用于在头节点上的 clustermgtd 进程守护程序离线的不常见事件中监控节点。可以用它来排查意外终止问题。

• /var/log/slurmd.log：这是 Slurm 计算进程守护程序日志。可以用它来排查初始化和计算失败问题。

根据您的用例，请考虑使用以下方法之一来避免收到这些类型的错误消息：

• 如果启用了置放群组，则将其禁用。有关更多信息，请参阅置放群组和实例启动问题：

• 为实例预留容量并使用 ODCR（按需容量预留）启动这些实例。有关更多信息，请参阅使用 ODCR（按需容量预留）启动实例：

• 配置多个具有不同实例类型的计算资源。如果您的工作负载不需要特定的实例类型，则可以对多个计算资源利用快速容量不足故障转移。有关更多信息，请参阅Slurm 集群快速容量不足故障转移：

• 在同一个计算资源中配置多种实例类型，并利用多实例类型分配。有关配置多个实例的更多信息，请参阅 Slurm 的多实例类型分配和 Scheduling/SlurmQueues/ComputeResources/Instances。

• 通过在集群配置 Scheduling/SlurmQueues/Networking/SubnetIds 中更改子网 ID，将队列移动到不同的可用区。

• 如果您的工作负载没有紧密耦合，则将队列分散到不同的可用区。有关配置多个子网的更多信息，请参阅 Scheduling/SlurmQueues/Networking/SubnetIds。

• /var/log/cfn-init.log

• /var/log/chef-client.log

• /var/log/parallelcluster/clustermgtd

• /var/log/parallelcluster/slurm_resume.log

• /var/log/slurmctld.log

• 适用日志：

  • /var/log/cloud-init-output.log

  • /var/log/slurmd.log

• 如果启动了计算节点，请先检查 /var/log/cloud-init-output.log，其中应包含类似于头节点 /var/log/chef-client.log 日志的设置日志。设置过程中发生的大多数错误的错误消息应该都包含在 /var/log/cloud-init-output.log 日志中。如果在集群配置中指定了预安装或安装后脚本，请检查它们是否成功运行。

• 如果您使用的是修改了 Slurm 配置的自定义 AMI，则可能存在阻止计算节点加入集群的 Slurm 相关错误。对于与调度器相关的错误，请检查 /var/log/slurmd.log 日志。

• 搜索计算节点名称的 ResumeProgram 日志 (/var/log/parallelcluster/slurm_resume.log) 以查看是否对该节点调用过 ResumeProgram。（如果未调用过 ResumeProgram，则可以检查 slurmctld 日志 (/var/log/slurmctld.log) 以确定 Slurm 是否尝试过对该节点调用 ResumeProgram）。

• 请注意，ResumeProgram 的权限不正确可能会导致 ResumeProgram 静默失败。如果您使用的是修改了 ResumeProgram 设置的自定义 AMI，请检查该 ResumeProgram 是否由 slurm 用户拥有并具有 744 (rwxr--r--) 权限。

• 如果调用了 ResumeProgram，请查看是否为该节点启动了实例。如果未启动任何实例，则会看到一条描述启动失败的错误消息。

• 如果启动了实例，则在设置过程中可能出现了问题。您应该会从 ResumeProgram 日志中看到相应的私有 IP 地址和实例 ID。此外，您可以查看特定实例的相应设置日志。有关排查计算节点设置错误的更多信息，请参阅下一节。

• 检查 clustermgtd (/var/log/parallelcluster/clustermgtd) 日志，查看是否为该节点启动了实例。如果未启动，则应该有详细说明启动失败的明确错误消息。

• 如果启动了实例，则表示设置过程中出现了问题。您应该会从 ResumeProgram 日志中看到相应的私有 IP 地址和实例 ID。此外，您可以查看特定实例的相应设置日志。

• 如果这是您第一次使用竞价型实例，并且作业保持在 PD（待处理状态），请仔细检查 /var/log/parallelcluster/slurm_resume.log 文件。您可能会发现类似下面的错误：

  2022-05-20 13:06:24,796 - [slurm_plugin.common:add_instances_for_nodes] - ERROR - Encountered exception when launching instances for nodes (x1) ['spot-dy-t2micro-2']: An error occurred (AuthFailure.ServiceLinkedRoleCreationNotPermitted) when calling the RunInstances operation: The provided credentials do not have permission to create the service-linked role for EC2 Spot Instances.

  使用竞价型实例时，您的账户中必须存在 AWSServiceRoleForEC2Spot 服务相关角色。要使用 Amazon CLI 在账户中创建此角色，请运行以下命令：

  $ aws iam create-service-linked-role --aws-service-name spot.amazonaws.com

  有关更多信息，请参阅 Amazon ParallelCluster 用户指南中的使用竞价型实例和 Amazon EC2 用户指南（适用于 Linux 实例）中的竞价型实例请求的服务相关角色。

• 适用日志：

  • /var/log/parallelcluster/clustermgtd（头节点）

  • /var/log/slurmctld.log（头节点）

  • /var/log/parallelcluster/computemgtd（计算节点）

• 检查 clustermgtd 日志 (/var/log/parallelcluster/clustermgtd) 以查看 clustermgtd 是否替换或终止了节点。请注意，clustermgtd 处理所有正常的节点维护操作。

• 如果 clustermgtd 替换或终止了该节点，则应该会有详细说明为何对该节点执行此操作的消息。如果原因与调度器有关（例如，因为节点处于 DOWN 状态），请查看 slurmctld 日志以获取更多信息。如果原因与 Amazon EC2 有关，则应有信息性消息，详细说明需要该替换的 Amazon EC2 相关问题。

• 如果 clustermgtd 未终止该节点，请先检查这是否是 Amazon EC2 的预期终止，更具体地说是竞价型终止。如果系统确定 clustermgtd 的运行状况不佳，则计算节点上运行的 computemgtd 也可以终止该节点。检查 computemgtd 日志 (/var/log/parallelcluster/computemgtd) 以查看 computemgtd 是否终止了该节点。

• 检查 slurmctld 日志 (/var/log/slurmctld.log) 以查看作业或节点失败的原因。请注意，如果节点失败，作业会自动重新排队。

• 如果 slurm_resume 报告该节点已启动，并且 clustermgtd 在几分钟后报告 Amazon EC2 中没有该节点的相应实例，则该节点可能在设置过程中失败。要从计算 (/var/log/cloud-init-output.log) 中检索日志，请执行以下步骤：

  • 提交一项作业以便让 Slurm 启动一个新节点。

  • 节点启动后，使用以下命令启用终止保护。

    $ aws ec2 modify-instance-attribute --instance-id i-1234567890abcdef0 --disable-api-termination

  • 使用以下命令从该节点检索控制台输出。

    $ aws ec2 get-console-output --instance-id i-1234567890abcdef0 --output text

• 适用日志：

  • /var/log/parallelcluster/clustermgtd（头节点）

  • /var/log/parallelcluster/slurm_suspend.log（头节点）

• 在大多数情况下，clustermgtd 会处理所有预期的实例终止操作。检查 clustermgtd 日志以查看其无法替换或终止节点的原因。

• 对于 SlurmSettings 属性 失败的动态节点，请检查 SuspendProgram 日志以查看 slurmctld 是否以特定节点作为参数调用了 SuspendProgram。请注意，SuspendProgram 实际上并不执行任何操作，它只是记录被调用时的时间。所有实例终止和 NodeAddr 重置均由 clustermgtd 完成。经过 SuspendTimeout 之后，Slurm 会自动将节点置回 POWER_SAVING 状态。

• 如果计算节点由于引导失败而持续失败，请验证它们是否在启用了 Slurm 集群受保护模式的情况下启动。如果未启用受保护模式，请修改受保护模式设置以启用受保护模式。排查并修复引导脚本问题。