我正在使用SLURM驱动的HPC集群，包含1个控制节点和34个计算节点，而且由于当前系统并不十分稳定，因此我正在寻找有关如何以某种方式构build这样一个集群的指南或最佳实践它变得更加稳定和安全。 而且要清楚的是，我并不是在寻找关于资源pipe理的详细答案，或者是其他的工具，但是对于非常基本的设置build议（见下面的“问题”）。
我目前的设置
1个控制节点
这台机器在/ usr / local / slurm上安装了slurm，并运行slurmctld守护进程。 导出完整的slurm目录（包括所有可执行文件和slurm.conf）。
34计算节点
这些机器将导出的slurm目录从控制节点挂载到/ usr / local / slurm并运行slurmd守护进程。
我不使用任何备份控制节点。
如果我们的控制节点丢失了，如果当前正在运行的作业能够存活，似乎总是一个运气问题，所以我正在寻找一种方法来创build一个更稳定的设置。
当前设置可能存在的问题
1）共享slurm目录。 我在网上找不到任何东西，如果这是一个好的或不好的做法，但由于slurmconfiguration文件必须在所有机器上相同，我想我可能会分享完整的slurm安装。 但是，当然，如果计算节点丢失，所有的文件也将变得不可用。
2）缺less备份控制节点。 这需要一个可以保存当前状态的共享NFS目录。 问题是，这个目录应该放在哪里？ 当然，把它放在控制节点上是没有意义的，但是它应该在备份控制节点上吗？ 或者在一个完全不同的机器上？
题
那么，是否有一些指导原则可以用来构buildHPC群集？ 问题是，涉及到哪些不同types的节点，他们的工作是什么以及应该通过NFS共享什么样的数据，以及这些共享目录应该存活在哪里？ 我也会很感激任何一种文学或教程，这些都指向了正确的方向。
我感动了SLURM已经有一段时间了，所以拿下一点盐。 另外，群集的devise将由您的工作负载决定。 通常，您从一个头节点和一些计算节点开始，然后从那里开始build立起来。 像Rocks这样的软件包可以成为一个很好的开始。
我可以看到共享目录是一个问题。 根据你的工作量，你可能已经有很多的stream量通过NFS，所以我会在本地安装SLURM。 您可以在NFS导出的卷上创buildslurmconfiguration的副本，并使用“fornodes”脚本或使用脚本化的scp进行复制。 如果你正在对你的slurmconfiguration进行很多修改，你甚至可以添加slurmd restart到脚本。
至于备份控制节点，我不会担心。 你的头节点可能是一个单一的失败点，所以如果你失去了，你已经会有你的工作有问题。 我也不确定如果启用SLURM记帐的备份机制是如何工作的，因为它通常使用像MySQL这样的数据库。
对于导出，我通常导出/ home目录和/ opt在较小的群集。 根据您的数据需求，您可以考虑使用额外存储的单独存储节点来分配NFS负载。 既然你提到你的稳定性有问题，你可以考虑使用像Ganglia这样的软件包来监视节点负载，内存利用率，networking吞吐量和其他值，并以一系列图表的forms显示出来。 您还可以通过命令行工具学习相当多的东西，比如计算节点上运行的顶级命令行工具。 你也将要testing你的工作的规模。 如果您的作业跨节点（MPI？）运行时性能可怕，则可能需要更快，更低延迟的互连，如Infiniband或10Gb以太网。
祝你好运与SLURM。 我喜欢在改变职位之前使用它，但由于它不像Torque / Maui或Sun / Oracle Grid Engine那样受欢迎，所以我的奇怪问题总是很难find。