---
title: Slurm 集群资源管理实践指南
description: 面向企业 IT 运维，介绍 Slurm 在超级计算机集群中的资源管理方法，涵盖适用场景、准备与风险、处理步骤、验证方法、回退建议及常见问题，帮助管理员安全高效地调度计算资源。
url: "https://www.lanever.com/docs/slurm-%e9%9b%86%e7%be%a4%e8%b5%84%e6%ba%90%e7%ae%a1%e7%90%86%e5%ae%9e%e8%b7%b5%e6%8c%87%e5%8d%97/"
updated: "2026-10-12"
category: Slurm集群
---

# Slurm 集群资源管理实践指南

> **参考来源与致谢**
>
>
>
> - **引用来源：**[用 SLURM 优化超级计算机内的资源管理](https://www.ibm.com/developerworks/cn/linux/l-slurm-utility/index.html)
> - **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开源资源管理器与作业调度系统，适用于需要统一排队、分配和监控计算资源的高性能计算环境。典型场景包括：批量科学计算、并行作业调度、多用户共享集群、按分区隔离资源等。当集群节点数量增长、人工分配效率下降时，引入 Slurm 可提升资源利用率与作业可管理性。

## 准备与风险

部署前需确认：集群各节点时间同步、主机名解析正常、管理节点与计算节点网络互通、共享存储可用。Slurm 依赖 `slurmctld`（控制守护进程）与 `slurmd`（节点守护进程），控制节点建议配置冗余以避免单点故障。

> 风险提醒：修改 `slurm.conf` 或重启守护进程可能中断正在运行的作业。生产环境操作前必须备份配置文件与状态目录，并先在测试集群验证。

需要准备的参数占位符示例：`[控制节点主机名]`、`[计算节点列表]`、`[集群名称]`、`[管理员账号]`、`[状态保存目录]`。具体配置项含义请查阅对应版本的官方文档。

## 处理步骤

1. 安装 Slurm 软件包。不同发行版命令不同，例如 Debian/Ubuntu 系可使用 `apt-get install slurm-llnl`，其他发行版请参考官方安装说明。
2. 生成配置文件 `slurm.conf`，放置于所有节点的统一路径。关键项包括 `ControlMachine`、`SlurmUser`、`StateSaveLocation`、`SlurmdSpoolDir`、`NodeName`、`PartitionName`。节点较多时可用类似 `snode[0-8191]` 的批量写法。
3. 配置认证与凭证。按所选认证方式生成密钥或证书，路径与 `slurm.conf` 中 `JobCredential*` 项保持一致。私钥文件权限应严格限制。
4. 启动服务。使用系统服务管理脚本或 `systemctl` 启动 `slurmctld` 与 `slurmd`。首次启动可使用清理状态的启动方式，但会丢弃历史状态，需谨慎。
5. 按需划分分区，将节点按用途、时限、用户权限分组，便于隔离与调度。

## 验证方法

- 使用 `sinfo` 查看节点与分区状态，确认节点处于可用状态。
- 使用 `scontrol show node` 检查单节点详情。
- 提交一个简单测试作业，例如 `sbatch` 脚本，观察其排队、运行、完成过程。
- 使用 `squeue` 查看作业队列，使用 `sacct` 查看历史记账信息（需启用记账存储）。

## 回退建议

若配置变更导致异常，可停止 Slurm 服务，恢复备份的 `slurm.conf` 与状态目录，再重新启动。若需彻底回退，可卸载软件包并清理相关目录。回退前应确认没有关键作业正在运行，必要时先排空节点。

## 常见问题

- 节点显示为不可用：检查 `slurmd` 是否运行、主机名解析与端口连通性。
- 作业长期排队：检查分区资源、时限设置与调度策略。
- 认证失败：核对凭证路径、权限与认证类型配置。
- 状态不一致：确认 `StateSaveLocation` 可写且各节点一致。

Slurm 版本间配置项存在差异，部署前请查阅对应版本官方文档，避免使用已废弃选项。
