對 AWS PCS 中的節點生命週期動作進行故障診斷

節點在啟動期間終止

使用 結束非零的 nodeBootstrapped或 nodeReady指令碼 onError=TERMINATE

檢查 /var/log/amazon/pcs/lifecycle/actions/<stage>/<name>.log。onError=STOP_SEQUENCE 暫時設定 以保留節點進行偵錯。

指令碼下載失敗

缺少 s3:GetObject、沒有網路輸出或 URL 錯誤

驗證執行個體 IAM 角色和 VPC 路由或端點；確認 URL 和 （適用於 S3)s3VersionId。

檢查總和不相符

指令碼內容已變更或損毀

重新產生 SHA-256 並更新組態，或在反覆運算時移除檢查總和。

節點從未就緒

指令碼超過大約 30 分鐘的註冊時段

將長時間安裝移至 AMI 或共用檔案系統；跨階段分割工作。

更新的指令碼未套用

CACHE_ONCE 保留原始複本

使用 REFRESH_ON_REBOOT，或取代執行個體。

指令碼在重新啟動後未重新執行

executionPolicy is FIRST_BOOT_ONLY（預設）

executionPolicy=EVERY_BOOT 為必須在每次開機時執行的指令碼設定 。

sinfo 在指令碼中scontrol找不到 或

指令碼在 nodeBootstrapped階段中執行，在 之前 slurmd

將 Slurm 相依的工作移至nodeReady階段。

終止後看不到日誌

日誌是執行個體的本機日誌

新增節點引導指令碼，將日誌轉送至 Amazon CloudWatch。