配置集群巡检

功能介绍

集群巡检是E-HPC提供的集群运维功能，可以通过云助手在集群各节点中执行相关脚本，用于检查集群运行环境是否正常，包括检查集群各项服务、文件目录、用户权限、存储挂载和资源使用情况等。

您可以在以下场景中使用集群巡检功能：

• 定位问题：运行作业过程中碰到问题时，可以执行一次巡检，检查当前集群运行环境是否正常，协助定位问题。

• 定期检查：在日常运维中定时检查集群运行环境，以便及时发现集群异常并进行处理，避免影响作业运行。

使用限制

• 仅适用于Linux集群。

• 仅适用于云上集群，不支持混合云集群。

配置集群巡检

1. 登录弹性高性能计算控制台。

2. 在顶部菜单栏左上角处，选择地域。

3. 在左侧导航栏，选择运维与监控>集群巡检。

4. 在集群列表中选择目标集群，然后单击创建巡检。

5. 在弹出的对话框中，完成巡检配置。

   1. 输入名称和描述。

   2. 选择巡检执行方式。

      说明

      除立即执行外，其它执行方式需要设置巡检结束时间，在当前时间到结束时间之间，系统会自动按照配置的执行方式循环执行巡检。

      执行方式	说明
      立即执行	立即执行一次巡检。
      按分钟、按小时、按天	每多少分钟、小时或天执行一次巡检，首次执行时间为当前配置时间加上时间间隔。
      按周、按月	指定每周几（可多个），或者每月连续的哪几天定时执行巡检。执行时间为当天0点。
      Cron表达式	根据Cron表达式定时执行巡检。关于如何配置Cron表达式，请参见Cron定时任务。

   3. 选中一项或多项巡检配置。

      配置类别	配置名称（巡检项）	说明
      FilePermission	EHPC_CheckHomeAndUserPermission	检查home目录和用户权限是否正常。
      FileExist	EHPC_CommonFileExist	检查是否存在以下EHPC集群所需的目录： /usr/local/ehpc /root/ehpc_secret /usr/local/ehpc_service /home/master_nis_ready /opt/munge/0.5.12/etc/munge/munge.key
      MountPointStatus	EHPC_MountPointStatus	检查共享存储的挂载，包括以下两部分： /home /opt
      ServiceStatus	EHPC_ScheduleStatus	检查调度器服务。
      	EHPC_AccountStatus	检查域账号服务。
      	EHPC_ServiceStatus	检查集群服务，包括以下两部分： /usr/local/ehpc/agent/agent.js /usr/sbin/sshd
      SystemEnvironment	EHPC_DomainName	检查域名。
      EhpcInit	EHPC_DeployStatus	检查集群中EHPC服务的安装状态。
      MemoryUsage	EHPC_SchedMemoryUsage	检查内存使用情况。
      CpuUsage	EHPC_SchedCpuUsage	检查vCPU使用情况。

      说明

      单击脚本，可以在弹出的对话框中查看详细的脚本内容，了解巡检过程中系统执行的具体命令。

6. 单击确定。

   配置完成后，系统将根据配置的执行方式自动执行巡检。

   • 如果执行方式为立即执行，则立即执行一次巡检。

   • 如果执行方式为按分钟、按小时、按天，则按设置的时间间隔循环执行。

   • 如果执行方式为按周、按月，则在指定的日期当天0点执行。

   • 如果执行方式为Cron表达式，则按Cron表达式的规则执行。

查看巡检结果

对于已完成的巡检，可以查看巡检结果。

1. 在集群巡检页面，选择目标集群。

   选择集群后，右侧将展示该集群已配置的巡检，对于状态为已完成的巡检，您可以查看巡检结果。

2. 单击目标巡检ID。

3. 查看巡检基本信息和巡检结果。

   巡检详情页面包含基本信息区域（展示集群ID、巡检名称、巡检状态、截止时间、巡检ID、触发时间和巡检运行方式）和巡检结果区域。巡检结果左侧列出检查类型，包括FilePermission、FileExist、MountPointStatus、ServiceStatus、SystemEnvironment、EhpcInit、MemoryUsage和CpuUsage。

   在巡检结果区域，您可以单击任一巡检项，切换查看各个检查目标的检查结果。

   • 对于检查成功的目标，返回巡检成功。

     巡检结果页面左侧展示检查类型导航，包括 FilePermission、FileExist、MountPointStatus、ServiceStatus、SystemEnvironment、EhpcInit、MemoryUsage、CpuUsage，右侧展示所选类型下各检查项的通过状态及绿色对勾标识。

   • 对于检查失败的目标，可以查看失败的节点列表及其日志信息。

     巡检结果页面左侧展示检查类型列表（如 ServiceStatus），中间区域列出各检查项及其通过或失败状态，右侧节点巡检详情区域以 JSON 格式展示失败节点的详细信息，包含 Hostname、Level、Message、Status 等字段。例如节点 compute000 的 EHPC_ScheduleStatus 检查失败，错误信息为 Error: munged is not Exist。

停止集群巡检

对于已就绪或者运行中的巡检，如果不想执行巡检，您可以停止。

1. 在集群巡检页面，选择目标集群。

2. 找到目标巡检，单击操作列中的停止。

3. 在弹出的对话框中，单击确定。