ParallelCluster 节点故障

Question

【以下的问题经过翻译处理】 当使用带有 c6g-medium 按需机器的分区运行并行集群时，其中 19 个在运行期间失败并且再也没有启动。

我的信息返回：

```
分区可用时间限制节点状态节点列表
c6gm-ondemand up infinite 19 idle% c6gm-ondemand-dy-c6gmedium-[32-50]
c6gm-ondemand up infinite 31 alloc c6gm-ondemand-dy-c6gmedium-[1-31]

```

虽然 sacct 包含以下条目：

```
12033 2022_6_39+ c6gm-onde+ 1 NODE_FAIL 0:0
12034 2022_6_40+ c6gm-onde+ 1 NODE_FAIL 0:0
12037 2022_6_43+ c6gm-onde+ 1 NODE_FAIL 0:0
12039 2022_6_45+ c6gm-onde+ 1 NODE_FAIL 0:0
12040 2022_6_46+ c6gm-onde+ 1 NODE_FAIL 0:0

```

有谁知道我如何找出导致这些节点失败并且再也无法启动的原因？其他 31 个按需节点一直在运行与 19 个故障节点类似的任务，没有出现问题。另外，有没有办法以某种方式重新启动19个失败的节点？我真的很想并行运行 50 个节点，而不是 31 个。

编辑：我的 squeue 包含数百个要在该分区的节点上运行的“PENDING”作业，所以我有点困惑为什么“idle%”节点没有再次启动。

Answer

【以下的回答经过翻译处理】 看起来您仅使用了31个节点，其余19个节点没有使用。您的工作负载是什么样子的（例如: 运行需要50个节点的作业，运行需要1个节点的50个作业）？ParallelCluster仅为运行队列中的作业所需的实例提供资源，以利用云的弹性并确保您不支付空闲资源的费用。如果您转到CloudWatch，应该会有一个名为`/aws/parallelcluster/`的CloudWatch日志组，其中StackName是您ParallelCluster堆栈的名称。如果已经分配但失败，则其中应该有每个节点的日志。如果它们在分配之前失败，您需要查看头节点的日志，`slurm_resume.log`条目中可能会有有用的信息。在分配之前失败也可能表明出现错误，例如超出实例数量限制（您可以在此处增加限制：https://aws.amazon.com/premiumsupport/knowledge-center/ec2-instance-limit/）

ParallelCluster 节点故障

Relevanter Inhalt