SLURM控制器无效报错求助：计算节点slurmctld启动失败

核心问题说明 #

slurmctld是SLURM集群的控制节点专属服务，仅需在主控制节点运行；计算节点的核心服务是slurmd，误在计算节点启动slurmctld会触发该报错。

排查步骤 #

• 检查/etc/slurm/slurm.conf控制节点配置：
  • 确认ControlMachine参数是否准确指向主节点主机名，所有计算节点的该参数必须与主节点完全一致
  • 若配置了ControlAddr，验证其值为主节点的正确IP或可解析主机名
  • 查看SlurmctldHost（部分SLURM版本使用），确保仅主节点被列为控制节点
• 检查计算节点服务配置：
  • 执行systemctl is-enabled slurmctld，确认是否误将slurmctld设为开机自启
  • 确认计算节点是否错误启动了slurmctld服务，而未运行必要的slurmd

修复操作 #

• 立即停止计算节点上的slurmctld服务：

  systemctl stop slurmctld
  

• 禁用计算节点的slurmctld开机自启，避免再次触发：

  systemctl disable slurmctld
  

• 启动并启用计算节点的专属服务slurmd：

  systemctl start slurmd
  systemctl enable slurmd
  

• 同步所有节点的slurm.conf配置文件，确保主节点与计算节点的控制节点参数完全一致
• 若需配置备用控制节点，需在slurm.conf中添加BackupController参数指定备用节点，此时该备用节点才可合法启动slurmctld

内容的提问来源于stack exchange，提问作者Emma Athan