集群运行状况指标故障排除

发生了什么？

权限不足导致许多实例启动失败，错误代码为 UnauthorizedOperation。

如何解决？

如果您配置了自定义 InstanceRole 或 InstanceProfile，请检查 IAM 策略并验证使用的凭证是否正确。

检查 clustermgtd 文件以查看静态节点错误详细信息。检查 slurm_resume.log 文件以查看动态节点错误详细信息。通过详细信息进一步了解必须添加的缺失权限。

发生了什么？

AWS ParallelCluster 无法启动实例，因为它已达到您 AWS 账户 为集群计算节点配置的特定 Amazon EC2 实例类型的 vCPU 限制。

如何解决？

在静态节点的 clustermgtd 文件和动态节点的 slurm_resume.log 文件中检查 VcpuLimitExceeded 错误，以获取更多详细信息。要解决此问题，您可以请求提高 vCPU 限制。有关如何查看当前限制和申请新限制的更多信息，请参阅《适用于 Linux 实例的亚马逊弹性计算云用户指南》中的亚马逊弹性计算云服务配额。

发生了什么？

您已达到自己的 Amazon EBS 容量限制 AWS 账户， AWS ParallelCluster 并且无法启动带有错误代码InsufficientVolumeCapacity或VolumeLimitExceeded的实例。

如何解决？

对静态节点检查 clustermgtd 文件，对动态节点检查 slurm_resume.log 文件，以获取更多卷限制详细信息。要解决此问题，您可以使用其他卷清理现有卷 AWS 区域，或者联系 AWS 支持中心提交提高 Amazon EBS 卷限制的请求。

发生了什么？

AWS ParallelCluster 没有足够的容量启动 Amazon EC2 实例来支持节点。

如何解决？

对静态节点检查 clustermgtd 文件，对动态节点检查 slurm_resume.log 文件，以获取容量不足错误的详细信息。要对问题进行故障排除，请按照 https://aws.amazon.com/premiumsupport/knowledge-center/ec2-insufficient-capacity-errors/上的指导进行操作。

发生了什么？

用于支持计算节点的 Amazon EC2 实例无法使用CreateFleet或 RunInstance API 启动。

如何解决？

对静态节点检查 clustermgtd 文件，对动态节点检查 slurm_resume.log 文件，以获取错误的详细信息。

发生了什么？

许多计算实例已启动，但随后因运行状况不佳而终止。

如何解决？

有关排查运行状况不佳的节点的更多信息，请参阅排查意外节点替换和终止问题。

发生了什么？

实例无法在 resume_timeout 内（对于动态节点）或 node_replacement_timeout 内（对于静态节点）加入集群。如果没有为计算节点正确配置网络，则可能会发生这种情况，或者，如果在计算节点上运行的自定义脚本需要太长时间才能完成，则可能会发生这种情况。

如何解决？

对于动态节点，检查 clustermgtd 日志 (/var/log/parallelcluster/clustermgtd) 以查看计算节点 IP 地址和错误，例如以下内容：

Node bootstrap error: Resume timeout expires for node

对于静态节点，检查 clustermgtd 日志 (/var/log/parallelcluster/clustermgtd) 以查看计算节点 IP 地址和错误，例如以下内容：

Node bootstrap error: Replacement timeout expires for node ... in replacement.

有关更多详细信息，请检查 /var/log/cloud-init-output.log 文件中的错误。您可以从 clustermgtd 和 slurm_resume 日志文件中检索有问题的计算节点的 IP 地址。

发生了什么？

一个实例未通过 Amazon EC2 运行状况检查。

如何解决？

有关如何排查此问题的信息，请参阅通过故障状态检查来排查实例问题。

发生了什么？

实例未通过 Amazon EC2 计划事件运行状况检查，并且运行状况不佳。

如何解决？

有关如何排查此问题的信息，请参阅实例的计划事件。

发生了什么？

AWS ParallelCluster 找不到支持节点的实例。这些节点可能已在引导操作期间自行终止。SlurmQueues/CustomActions/OnNodeStart | OnNodeConfigured 脚本或网络错误可能会产生 NoCorrespondingInstanceErrors。

如何解决？

有关更多详细信息，请检查 /var/log/cloud-init-output.log 以查看计算节点。

发生了什么？

您的实例未正确终止。 MaxDynamicNodeIdleTime显示由 Amazon EC2 实例支持的动态节点处于空闲状态的最长时间（以秒为单位）。空闲时间缩减阈值源自集群配置 ScaledownIdletime 参数。当计算节点的闲置时间超过 Idle Time Scaledown 秒数时，Slurm会关闭该节点的电源并 AWS ParallelCluster 终止后备实例。在这种情况下，某些因素会阻止实例终止。

如何解决？

有关此问题的更多信息，请参阅排查扩展问题中的替换、终止或关闭有问题的实例和节点。