疑難排解叢集健康度

發生了什麼事？

許多執行個體無法啟動，這是因為權限不足且具有錯誤碼的原因UnauthorizedOperation。

如何解決？

如果您已設定自訂InstanceRole或 InstanceProfile，請檢查您的 IAM 政策，並確認您使用的是正確的登入資料。

檢查clustermgtd文件中的靜態節點錯誤詳細信息。檢查slurm_resume.log文件中的動態節點錯誤詳細信息。使用詳細資料進一步瞭解必須新增的遺失權限。

發生了什麼事？

AWS ParallelCluster 無法啟動執行個體，因為它達到您 AWS 帳戶 針對叢集運算節點設定的特定 Amazon EC2 執行個體類型的 vCPU 限制。

如何解決？

檢查clustermgtd檔案中是否有靜態節點的VcpuLimitExceeded錯誤，並簽入slurm_resume.log檔案中的動態節點以取得其他詳細資料。若要解決此問題，您可以要求提高 vCPU 限制。如需有關如何檢視目前限制和請求新限制的詳細資訊，請參閱 Amazon 彈性運算雲端 Linux 執行個體使用者指南中的 Amazon 彈性運算雲端服務配額。

發生了什麼事？

您已達到您的 Amazon EBS 磁碟區限制 AWS 帳戶，且 AWS ParallelCluster 無法使用錯誤碼InsufficientVolumeCapacity或VolumeLimitExceeded啟動執行個體。

如何解決？

檢查clustermgtd檔案是否有靜態節點，並檢查slurm_resume.log檔案是否有動態節點，以取得額外的磁碟區限制詳細資訊。若要解決此問題，您可以使用不同的磁碟區 AWS 區域、清理現有磁碟區，或聯絡 Sup AWS port 中心提交要求以提高 Amazon EBS 磁碟區限制。

發生了什麼事？

AWS ParallelCluster 沒有足夠的容量來啟動 Amazon EC2 執行個體來支援節點。

如何解決？

檢查clustermgtd文件中的靜態節點，並檢查slurm_resume.log文件中的動態節點以獲取容量不足的錯誤詳細信息。若要疑難排解此問題，請依照 https://aws.amazon.com/premiumsupport/knowledge-center/ec2-insufficient-capacity-errors/的指引進行。

發生了什麼事？

用於支援運算節點的 Amazon EC2 執行個體無法使用CreateFleet或 RunInstance API 啟動。

如何解決？

檢查clustermgtd文件中的靜態節點，並檢查slurm_resume.log文件中的動態節點以獲取錯誤詳細信息。

發生了什麼事？

已啟動數個運算執行個體，但後來終止為狀態不佳。

如何解決？

如需疑難排解狀態不良節點的詳細資訊，請參閱對非預期節點替換和終止進行故障診斷。

發生了什麼事？

執行個體無法在 resume_timeout (針對動態節點) 或 node_replacement_timeout (針對靜態節點) 內加入叢集。如果網路未正確設定運算節點，則可能會發生這種情況，或者如果在運算節點上執行的自訂指令碼花費太長時間才能完成，則可能會發生這種情況。

如何解決？

對於動態節點，請檢查 clustermgtd log (/var/log/parallelcluster/clustermgtd) 是否有計算節點 IP 位址和錯誤，例如：

Node bootstrap error: Resume timeout expires for node

對於靜態節點，請檢查 clustermgtd log (/var/log/parallelcluster/clustermgtd) 中的計算節點 IP 位址和錯誤，如下所示：

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

如需其他詳細資訊，請檢查/var/log/cloud-init-output.log檔案是否有錯誤。您可以從clustermgtd和slurm_resume記錄檔擷取有問題的計算節點 IP 位址。

發生了什麼事？

執行個體無法進行 Amazon EC2 作狀態檢查。

如何解決？

如需如何疑難排解此問題的相關資訊，請參閱疑難排解執行個體狀態檢查失敗。

發生了什麼事？

Amazon EC2 排定的事件運作狀態檢查執行個體失敗，而且運作狀況不佳。

如何解決？

如需如何疑難排解此問題的相關資訊，請參閱執行個體的排程事件。

發生了什麼事？

AWS ParallelCluster 找不到支援節點的執行個體。這些節點可能在引導操作期間自我終止。 SlurmQueues/CustomActions/OnNodeStart| OnNodeConfigured腳本，或網絡錯誤可能產生NoCorrespondingInstanceErrors。

如何解決？

如需其他詳細資訊，請檢查計算節點的。/var/log/cloud-init-output.log

發生了什麼事？

您的執行個體未正確終止。 MaxDynamicNodeIdleTime顯示由 Amazon EC2 執行個體支援的動態節點閒置時間上限 (以秒為單位)。「閒置時間縮減」臨界值衍生自叢集配ScaledownIdletime置參數。當計算節點閒置超過「閒置時間縮減」秒數時，請關閉節點的電Slurm源並 AWS ParallelCluster 終止支援執行個體。在這種情況下，有些東西阻止實例終止。

如何解決？

如需有關此問題的詳細資訊，請參閱取代、終止或關閉有問題的執行個體和節點中的對擴展問題進行故障診斷。