hyperpod-slurm-debugger

用于 Amazon SageMaker HyperPod Slurm 集群中 Slurm 调度器和节点守护进程问题的仅诊断技能。范围与 HyperPod 故障排除指南一致。当用户报告以下情况时调用：Slurm 节点卡在 down/drain 状态、自动修复后出现“节点意外重启”、slurmd 未运行、作业卡在 PENDING 状态且原因为 Resources（而 sinfo 显示节点空闲）、节点替换后作业卡在 COMPLETING 状态、GRES/GPU 数量错误、scontrol ping 失败、slurmctld 无响应、Action:Reboot/Replace 请求未触发 HyperPod 自动恢复，或自动恢复未重启作业。同样适用于“重启前排空节点”、“诊断 Slurm 节点”、“调查卡住作业”等场景。

存档时间线

版本索引永久保留；内容副本只保留最新 1 份，更早版本仅留索引与哈希（存档时间线的证据链不会因此断裂）。

下载存档内容副本

相关资产