排查扩展问题

本节与使用 3.0.0 及更高 AWS ParallelCluster 版本使用Slurm作业调度程序安装的集群相关。有关配置多个队列的更多信息，请参阅多个队列的配置。

如果您的一个正在运行的集群遇到问题，请在开始排查问题之前，通过运行以下命令将该集群置于 STOPPED 状态。这样可以防止产生任何意外成本。

$ pcluster update-compute-fleet --cluster-name mycluster \
   --status STOP_REQUESTED

您可以使用 pcluster list-cluster-log-streams 命令，并通过使用其中一个失败节点或头节点的 private-dns-name 进行筛选，列出集群节点中可用的日志流。

$ pcluster list-cluster-log-streams --cluster-name mycluster --region eu-west-1 \
 --filters 'Name=private-dns-name,Values=ip-10-0-0-101'

然后，您可以通过使用 pcluster get-cluster-log-events 命令并传递与下一节中提及的其中一个关键日志相对应的 --log-stream-name，检索日志流的内容并进行分析：

$ pcluster get-cluster-log-events --cluster-name mycluster \
--region eu-west-1 --log-stream-name ip-10-0-0-13.i-04e91cc1f4ea796fe.cfn-init

AWS ParallelCluster 在 CloudWatch 日志组中创建集群日志流。您可以在控制台的 “自定义 CloudWatch 控制面板” 或 “日志” 组中查看这些日志。有关更多信息，请参阅 与 Amazon CloudWatch Logs 集成 和 亚马逊 CloudWatch 控制面板。

用于调试的关键日志

下表概述了头节点的关键日志：

• /var/log/cfn-init.log- AWS CloudFormation 这是初始化日志。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控制守护程序日志。 AWS 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。当您使用 Amazon EC2 控制台或检索实例控制台输出时 AWS CLI ，您收到的compute_console_output log内容是相同的。

以下是计算节点的关键日志：

• /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计算守护程序日志。可以用它来排查初始化和计算失败问题。

运行作业失败时在 slurm_resume.log 中看到“InsufficientInstanceCapacity”错误，或创建集群失败时在 clustermgtd.log 中看到该错误

如果集群使用 Slurm 调度器，则会遇到容量不足问题。如果发出实例启动请求时没有足够的可用实例，则会返回 InsufficientInstanceCapacity 错误。

对于静态实例容量，您可以在 /var/log/parallelcluster/clustermgtd 中的 clustermgtd 日志中找到该错误。

对于动态实例容量，您可以在 /var/log/parallelcluster/slurm_resume.log 中的 ResumeProgram 日志中找到该错误。

消息与以下示例类似：

An error occurred (InsufficientInstanceCapacity) when calling the RunInstances/CreateFleet operation...

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 使用按需容量预留 (ODCR) 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。

排查节点初始化问题

本节介绍如何排查节点初始化问题。这包括节点无法启动、开机或加入集群的问题。

主题

• 头节点
• 计算节点

头节点

适用日志：

• /var/log/cfn-init.log

• /var/log/chef-client.log

• /var/log/parallelcluster/clustermgtd

• /var/log/parallelcluster/slurm_resume.log

• /var/log/slurmctld.log

检查 /var/log/cfn-init.log 和 /var/log/chef-client.log 日志或相应的日志流。这些日志包含设置头节点时运行的所有操作。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/chef-client.log 日志中。如果在集群的配置中指定了 OnNodeStart 或 OnNodeConfigured 脚本，请通过日志消息仔细检查脚本是否成功运行。

创建集群时，头节点必须等待计算节点加入集群，然后才能加入集群。因此，如果计算节点加入集群失败，则头节点也会失败。根据您使用的计算节点的类型，您可以按照其中一组过程来排查此类问题：

计算节点

• 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。

动态计算节点：

• 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ResumeProgram从未被调用，则可以查看slurmctld日志 (/var/log/slurmctld.log) 以确定是否尝试Slurm过ResumeProgram使用该节点进行调用）。

• 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。

静态计算节点：

• 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。

由竞价型实例支持的计算节点：

• 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 Amazon 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。要使用在您的账户中创建此角色 AWS CLI，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 EC2 AWS ParallelCluster 用户指南使用竞价型实例中的用户指南和 Amazon EC2 用户指南中竞价型实例请求的服务相关角色。

排查意外节点替换和终止问题

本节继续探讨如何排查节点相关问题，特别是在节点意外替换或终止时。

• 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）

节点意外替换或终止

• 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没有终止节点，请先检查这是否是 Amazon EC2 的预期终止，更具体地说是即时终止。 computemgtd，在计算节点上运行，如果节点clustermgtd被确定为运行状况不佳，也可以终止节点。检查 computemgtd 日志 (/var/log/parallelcluster/computemgtd) 以查看 computemgtd 是否终止了该节点。

节点失败

• 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。

  • 等待计算节点启动。

  • 修改实例启动的关闭行为，以便停止而不是终止出现故障的计算节点。

    $ aws ec2 modify-instance-attribute \
        --instance-id i-1234567890abcdef0 \
        --instance-initiated-shutdown-behavior "{\"Value\": \"stop\"}"

  • 启用终止保护。

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

  • 将节点标记为易于识别。

    $ aws ec2 create-tags \
        --resources i-1234567890abcdef0 \
        --tags Key=Name,Value=QUARANTINED-Compute

  • 通过更改parallelcluster:cluster-name标签将节点与集群分离。

    $ aws ec2 create-tags \
        --resources i-1234567890abcdef0 \
        --tags Key=parallelcluster:clustername,Value=QUARANTINED-ClusterName

  • 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

替换、终止或关闭有问题的实例和节点

• 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。

队列（分区）Inactive 状态

如果您运行 sinfo 并且输出显示队列的 AVAIL 状态为 inact，则您的集群可能启用了 Slurm 集群受保护模式，并且队列已在预定义的时间段内设置为 INACTIVE 状态。

排查其他已知的节点和作业问题

另一种已知问题是 AWS ParallelCluster 可能无法分配工作岗位或做出扩展决策。对于此类问题， AWS ParallelCluster 只按照 Slurm 的指示启动、终止或维护资源。对于这些问题，请查看 slurmctld 日志以排查问题。