---
title: SLURM 集群作业调度入门与运维要点
description: 面向企业 IT 运维，介绍 SLURM 的适用场景、部署准备、配置与启动步骤、验证方法、回退建议及常见问题，帮助在计算节点集群上安全地引入作业调度能力。
url: "https://www.lanever.com/docs/slurm-%e9%9b%86%e7%be%a4%e4%bd%9c%e4%b8%9a%e8%b0%83%e5%ba%a6%e5%85%a5%e9%97%a8%e4%b8%8e%e8%bf%90%e7%bb%b4%e8%a6%81%e7%82%b9/"
updated: "2026-10-12"
category: 高性能计算软件
---

# SLURM 集群作业调度入门与运维要点

> **参考来源与致谢**
>
>
>
> - **引用来源：**[slurm入门 - byplane的博客 - CSDN博客](https://blog.csdn.net/byplane/article/details/51742048)
> - **原作者：**原页面署名作者或发布机构（剪藏记录未保存可核验的个人署名）
> - **感谢词：**感谢原作者及发布机构对技术知识的公开分享。本文已结合企业运维场景完成脱敏、核验与原创重写，并非原文转载；如权利人需要更正署名或来源信息，请联系本站。

## 适用场景

SLURM 是面向大型计算节点集群的资源管理器与作业调度系统。它维护待处理作业队列，按需以独占或共享方式分配计算节点，并把作业分发到已分配节点执行，同时跟踪作业直至完成。适合以下场景：

- 多用户共享一批计算节点，需要排队与公平分配。
- 作业需要指定节点数、核心数、内存或时限。
- 需要按分区（Partition）划分资源，例如调试队列与生产队列分离。
- 需要统一查看节点状态、作业队列与作业历史。

SLURM 采用经典集群管理架构：控制端运行 `slurmctld` 守护进程，负责监控资源并把进入的作业映射到计算资源；每个计算节点运行 `slurmd` 守护进程，负责接收控制器下发的工作、在本节点上启动任务并上报状态。控制端可配置冗余，但冗余为可选项。节点可组成逻辑分组即分区，分区通常对应一个作业队列，并可设置用户访问、作业时限、节点数量等约束。

## 准备与风险

部署前先确认环境与需求，避免直接在生产集群上试错。

- 确认各节点主机名解析一致，控制端与计算节点时间同步。
- 确认节点间可互通，所需端口在防火墙放行；具体端口以对应版本官方文档为准。
- 规划分区划分、节点命名规则、用户与账号体系。
- 准备配置文件与凭证文件，并确保权限仅对服务账号可读。
- 先在测试环境验证，再推广到生产集群。

> 涉及停止服务、清理状态、覆盖配置文件等操作前，必须先备份现有配置与状态目录，并确认可在测试环境复现。回退方案未就绪前不要在生产环境执行。

安装方式取决于具体 Linux 发行版，通常通过系统包管理器完成。包名与可用版本随发行版和仓库不同，请查阅对应版本官方文档确认。

## 处理步骤

1. 安装 SLURM 软件包及其依赖。命令形式依发行版而定，例如使用系统包管理器安装对应软件包。
2. 编写主配置文件，通常位于 `/etc/slurm/slurm.conf` 或发行版约定的路径。文件中需定义控制端主机、认证方式、调度器类型、日志与记账选项、节点与分区等。可参考官方配置工具生成初稿，再按实际环境修改，并删除当前版本已不支持的选项。
3. 节点定义可使用主机名列表或范围写法，例如 `NodeName=[节点名前缀][起始编号-结束编号]`，分区通过 `PartitionName` 指定包含的节点与默认属性。
4. 如启用凭证校验，按官方文档生成密钥与证书文件，路径与文件名与配置中的 `JobCredential*` 项保持一致。私钥权限应限制为服务账号可读。
5. 将配置文件分发到所有节点，确保内容一致。
6. 使用系统服务管理脚本或服务管理器启动 SLURM。启动会拉起控制端守护进程，并在本机拉起计算节点守护进程。

```
# 启动示例（路径以发行版实际为准）
sudo systemctl start slurmctld
sudo systemctl start slurmd
```

## 验证方法

- 用 `sinfo` 查看分区与节点状态，确认节点处于空闲或预期状态。
- 用 `scontrol show partition` 与 `scontrol show node [节点名]` 查看分区与节点的详细属性。
- 用 `srun` 提交简单命令验证资源分配与任务启动，例如 `srun -l hostname`。
- 用 `squeue` 查看队列中的作业状态。
- 提交一个短时任务并观察其从排队到完成的过程，确认调度与记账行为符合预期。

若节点状态异常，先检查守护进程是否运行、配置文件是否一致、主机名解析与网络是否正常。

## 回退建议

- 保留修改前的配置文件副本与状态目录备份，记录变更内容与时间。
- 出现异常时先停止新启动的服务，恢复原配置文件，再按原方式启动。
- 如需忽略已保存状态重新开始，使用服务脚本提供的清理启动方式，但该操作会丢弃历史状态，仅在确认无影响时使用。
- 回退后重新执行验证步骤，确认集群恢复到变更前状态。

## 常见问题

- 节点显示异常或不可用：检查 `slurmd` 是否运行、控制端与节点间通信是否正常、配置是否一致。
- 作业长期排队：检查分区约束、节点资源是否被占满、时限与用户权限设置。
- 配置文件不生效：确认所有节点使用同一份配置，并已重启相关服务。
- 凭证相关报错：核对密钥与证书路径、权限及配置项名称是否匹配。
- 版本差异导致选项失效：不同版本支持的配置项与命令参数可能不同，请查阅对应版本官方文档，不要直接套用其他版本的示例。
