AWS ParallelCluster 2.11 创建失败 计算节点无法正常启动问题求助

你遇到的MasterServer资源信号超时是表面错误，根因是配置的初始静态计算节点无法完成初始化，被集群管理服务判定为不健康，导致整个集群创建流程超时。下面是优先级从高到低的排查步骤：

• VPC网络连通性校验
  你的配置中use_public_ips = false，表示计算节点不会分配公网IP，此时必须满足两个条件之一：1、计算节点所在的子网配置了NAT网关，可正常访问公网获取初始化依赖、调用AWS服务接口；2、VPC配置了所有必需的服务端点，包含S3、EC2、CloudFormation、CloudWatch、Systems Manager等ParallelCluster依赖的服务端点。如果不满足，计算节点无法完成初始化流程，会被判定为不健康。
• EFA配置合法性校验
  你开启了enable_efa = true，需检查以下几项：
  • 计算节点所在子网所属的可用区支持c5n.18xlarge实例的EFA功能
  • 集群关联的安全组已放行同一安全组内的所有UDP入站流量，满足EFA通信要求
  • 若使用自定义CentOS7镜像，需确认已预先安装EFA驱动，默认ParallelCluster官方镜像会自动安装
• 计算节点日志排查
  在集群创建超时前登录主节点后，可直接尝试SSH登录故障计算节点，查看以下日志定位初始化失败原因：
  • /var/log/cloud-init.log、/var/log/cloud-init-output.log：查看系统初始化阶段的报错
  • /var/log/parallelcluster/computemgtd：查看ParallelCluster计算节点管理服务的报错
  • /var/log/slurm/slurmd.log：查看Slurm计算节点服务的启动日志
    同时可测试计算节点是否可正常ping通主节点、是否可正常挂载共享EBS卷。
• 资源配额校验
  检查你AWS账号us-east-1区域的EC2 vCPU配额，c5n.18xlarge单实例需36个vCPU（你开启了disable_hyperthreading = true），需确认On-Demand实例的vCPU配额足够启动你配置的初始节点数。
• 置放群组配置校验
  你配置了placement_group = DYNAMIC，EFA要求同队列的计算节点必须在同一个置放群组内，若可用区资源不足无法创建置放群组，也会导致计算节点初始化失败，可尝试将placement_group设为NONE后重试创建，确认是否为置放群组问题。

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