☰

无法联系 Slurm 控制器

tag-icon • tag-icon slurm
无法联系 Slurm 控制器

我按照此处的步骤进行了故障排除：https://slurm.schedmd.com/troubleshoot.html。

运行 scontrol show slurmd 时，我得到：

Active Steps             = NONE
Actual CPUs              = 1
Actual Boards            = 1
Actual sockets           = 1
Actual cores             = 1
Actual threads per core  = 1
Actual real memory       = 984 MB
Actual temp disk space   = 492 MB
Boot time                = 2019-03-27T17:53:56
Hostname                 = fedora2
Last slurmctld msg time  = NONE
Slurmd PID               = 1549
Slurmd Debug             = 4
Slurmd Logfile           = /var/log/slurmd.log
Version                  = 17.11.13-2

我不知道为什么 fedora2 上的 slurmd 无法与 fedora1 上的控制器通信。slurmctld 守护进程在 fedora1 上运行良好。

slurm.conf如下：

# slurm.conf file generated by configurator easy.html.
# Put this file on all nodes of your cluster.
# See the slurm.conf man page for more information.
#
#SlurmctldHost=fedora1
#
ControlMachine=fedora1
ControlAddr=192.168.1.4 
MailProg=/bin/mail 
MpiDefault=none
#MpiParams=ports=#-# 
ProctrackType=proctrack/cgroup
ReturnToService=1
SlurmctldPidFile=/var/run/slurm/slurmctld.pid
#SlurmctldPort=6817 
SlurmdPidFile=/var/run/slurm/slurmd.pid
#SlurmdPort=6818 
SlurmdSpoolDir=/var/spool/slurmd
SlurmUser=slurm
SlurmdUser=root 
StateSaveLocation=/var/spool/slurmctld
SwitchType=switch/none
TaskPlugin=task/affinity
# 
# 
# TIMERS 
#KillWait=30 
#MinJobAge=300 
#SlurmctldTimeout=120 
#SlurmdTimeout=300 
# 
# 
# SCHEDULING 
FastSchedule=1
SchedulerType=sched/backfill
SelectType=select/cons_res
SelectTypeParameters=CR_Core
# 
# 
# LOGGING AND ACCOUNTING 
AccountingStorageType=accounting_storage/none
ClusterName=fedora
#JobAcctGatherFrequency=30 
JobAcctGatherType=jobacct_gather/none
SlurmctldDebug=verbose 
SlurmctldLogFile=/var/log/slurmctld.log
SlurmdDebug=verbose 
SlurmdLogFile=/var/log/slurmd.log
# 
# 
# COMPUTE NODES 
NodeName=fedora1 NodeAddr=192.168.1.4 CPUs=1 State=UNKNOWN
NodeName=fedora2 NodeAddr=192.168.1.5 CPUs=1 State=UNKNOWN 
PartitionName=debug Nodes=fedora[1-2] Default=YES MaxTime=INFINITE State=UP

fedora2 上的 tail /var/log/slurmd.log 的输出分为多行：

error: Unable to register: Unable to contact slurm controller (connect failure)

答案1

我最近遇到了类似的错误信息（尽管我的错误被写入/var/log/messages）。对我来说，问题是从 EPEL repoyum安装slurmd到计算节点（我认为这一定是新增的，因为以前没有发生过这种情况），而不是从本地 repo 安装。

我的slurmctldSLURM 控制器节点上的版本是 20.02.4，而 EPEL 的版本slurmd是 20.11.2。slurm通过重新安装时yum，我指定安装正确的版本（从我的本地存储库中获取），即yum install slurmd-20.02.4。

一旦slurmd使用slurmctld相同的版本，一切都将按预期进行。

相关内容