SLURM主节点状态显示矛盾及命令执行报错求助

核心问题定位 #

当前问题本质是主节点与计算节点的主机名双向解析不一致，主节点无法正确解析自身主机名，导致SLURM的认证和通信模块报错。

分步修复操作 #

• 检查并修正主节点/etc/hosts配置
  确保主节点的/etc/hosts文件同时包含自身（grid）和comp01的正确解析条目，格式如下（替换为实际IP）：

  192.168.xxx.xxx  grid grid.localdomain  # 主节点IP、短名、FQDN
  192.168.xxx.yyy  comp01 comp01.localdomain  # comp01节点IP、短名、FQDN
  

  同时确认comp01的/etc/hosts里有完全一致的主节点条目，避免解析偏差。

• 验证主节点自身解析能力
  在主节点执行以下命令，确认能正常解析自身主机名：

  ping grid -c 3
  ping $(hostname -f) -c 3
  

  如果ping失败，说明主机名设置与hosts配置不匹配，执行hostnamectl set-hostname grid（或对应FQDN）统一主机名。

• 校准SLURM配置文件
  打开主节点的/etc/slurm/slurm.conf，确保ControlMachine、NodeName等参数使用统一的主机名格式（全短名或全FQDN，不要混合）：

  ControlMachine=grid
  NodeName=grid CPUs=8 State=UNKNOWN
  NodeName=comp01 CPUs=16 State=UNKNOWN
  PartitionName=main Nodes=grid,comp01 Default=YES MaxTime=INFINITE State=UP
  

• 重启SLURM服务
  主节点重启控制服务：

  systemctl restart slurmctld
  

  comp01节点重启计算服务：

  systemctl restart slurmd
  

  重启后执行sinfo和scontrol ping验证状态。

• 排查解析优先级
  检查主节点/etc/nsswitch.conf，确保hosts解析优先读取本地文件：

  hosts:          files dns
  

验证测试 #

在主节点执行srun hostname，如果返回comp01的主机名，说明问题解决；若仍报错，查看/var/log/slurm/slurmctld.log，确认是否有新的解析或认证错误。

内容的提问来源于stack exchange，提问作者paul runner