---
title: Slurm 集群部署配置与常见问题处理
description: 面向企业 IT 运维，说明 Slurm 集群部署前的账户与认证准备、Munge 部署要点、编译安装与配置文件关键项、启动与验证方法、回退思路及常见故障排查方向，环境相关参数统一使用占位符，具体版本行为请查阅对应官方文档。
url: "https://www.lanever.com/docs/slurm-%e9%9b%86%e7%be%a4%e9%83%a8%e7%bd%b2%e9%85%8d%e7%bd%ae%e4%b8%8e%e5%b8%b8%e8%a7%81%e9%97%ae%e9%a2%98%e5%a4%84%e7%90%86/"
updated: "2026-10-12"
category: Slurm集群
---

# Slurm 集群部署配置与常见问题处理

> **参考来源与致谢**
>
>
>
> - **引用来源：**[相对全面的SLURM集群的配置、安装及一些小问题的解决 - 程序园](http://www.voidcn.com/article/p-zqapbchr-bau.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

需要在企业内部自建 HPC 或批量计算调度平台时，Slurm 是常见选择。本文适用于多节点 Linux 集群的初次部署与日常维护，覆盖主控节点与计算节点分离或合一的场景。文中命令为通用形式，实际路径、包名、版本行为请以所用发行版与 Slurm 版本的官方文档为准。

## 准备与风险

- 规划节点角色：主控节点（运行 slurmctld）、计算节点（运行 slurmd），可合一部署。
- 确认主机名解析：各节点需能通过主机名或 `[服务器地址]` 互相访问，建议统一 hosts 或内部 DNS。
- 时间同步：节点间时间偏差过大会影响认证与状态判断，建议启用 NTP 或 chrony。
- 专用管理账户：Slurm 与 Munge 通常使用独立系统账户运行，避免直接以 root 长期承载服务。各节点需保持一致的用户名与 UID。
- 认证密钥：Munge 密钥需在所有节点一致，属于敏感文件，权限应仅限服务账户读取，禁止明文外传。

> 风险提示：修改配置文件、重装认证组件或清理状态目录前，请先备份 `slurm.conf`、Munge 密钥与状态目录，并在测试环境验证。生产集群操作前确认可回退。

## 处理步骤

### 1. 账户与依赖准备

1. 在所有节点创建统一的服务账户，例如 `[服务账户]`，并保证 UID/GID 一致。
2. 安装 Munge 及其开发包，用于节点间认证通信。所有节点都必须安装并启动。
3. 手动创建 Munge 运行所需目录，如 `/etc/munge`、`/var/run/munge`、`/var/lib/munge`、`/var/log/munge`，并将属主改为服务账户。
4. 在其中一个节点生成 Munge 密钥，权限设为仅服务账户可读，再安全分发到其余节点同一路径。
5. 各节点以服务账户启动 munged，并用进程查看命令确认已运行。

### 2. 安装 Slurm

常见方式有源码编译、包管理器安装与 RPM 安装。源码编译可控性较高，但需自行处理依赖与目录。编译前确认已安装编译工具链与 Munge 开发包。

```
./configure --prefix=[安装目录] --sysconfdir=[配置目录]
make
make install
```

若不指定目录，将使用默认路径。安装后确认可执行文件、库文件与配置文件位置，避免后续服务读取到错误配置。

### 3. 配置文件关键项

核心文件为 `slurm.conf`，所有节点应保持一致。常见需确认的项包括：

- `ClusterName`：集群名称。
- `ControlMachine` / `ControlAddr`：主控节点主机名与地址，使用 `[服务器地址]` 占位。
- `SlurmUser`：服务运行账户。
- `SlurmctldPort` / `SlurmdPort`：主控与计算节点服务端口。
- `AuthType`：认证方式，通常为 `auth/munge`。
- `StateSaveLocation` / `SlurmdSpoolDir`：状态与暂存目录。
- `SchedulerType`、`SelectType`：调度与资源选择插件。
- `NodeName`：节点名、CPU 数、每插槽核心数、每核心线程数、可用内存、初始状态。CPU 与内存信息可用 `lscpu`、`/proc/cpuinfo` 核对。
- `PartitionName`：分区划分，可设默认分区与最长运行时间。

日志相关项建议开启并指向可写目录，便于排查。

### 4. 启动集群

1. 主控节点启动 slurmctld。
2. 所有计算节点启动 slurmd。
3. 首次启动节点状态可能为 unknown，随后转为 idle。

## 验证方法

- 执行 `sinfo` 查看分区与节点状态，正常应显示 idle、alloc 等状态。
- 执行 `scontrol show node` 查看单节点详情，出现 not responding 表示通信异常。
- 提交一个简单测试作业，确认调度、执行与结果回收正常。
- 查看 `/var/log/slurmctld.log` 与各节点 `/var/log/slurmd.log` 定位异常。

## 回退建议

- 修改配置前备份 `slurm.conf` 与状态目录。
- 配置变更后可用 `scontrol reconfig` 重载；若异常，恢复备份并重启服务。
- 认证异常时，核对各节点 Munge 密钥一致性与权限，必要时在测试环境重建密钥再分发。
- 节点长时间 down 且已修复后，可执行 `scontrol update` 相关操作恢复节点状态，具体参数以官方文档为准。

## 常见问题

- 修改 `slurm.conf` 后未生效：需在主控节点重载配置，且所有节点配置应同步。
- 节点显示 not responding：多为网络、主机名解析、Munge 认证或服务未启动，逐项排查并查看对应日志。
- 节点长期 down：修复原因后需更新节点状态，避免调度器继续排除该节点。
- 状态目录被清理导致状态丢失：避免将状态目录放在临时清理策略覆盖的路径。

不同 Slurm 版本在配置项、插件与命令参数上存在差异，部署前请查阅对应版本的官方文档与手册页。
