托管版PowerSaving Slurm集群最佳实践-弹性高性能计算(E-HPC)-阿里云帮助中心

业务场景

HPC作业负载呈明显的波峰波谷特征——批量提交时需要大量算力，间歇期几乎无资源消耗。静态集群的常驻节点在空闲期持续产生费用。PowerSaving模式将计算资源与作业生命周期绑定：调度器预注册一组虚拟节点，作业提交时自动创建ECS实例，空闲超时后自动释放，计算费用仅在作业运行期间产生。

PowerSaving工作机制

Slurm调度器为队列预注册一批虚拟节点（idle~状态），这些节点在调度器中可见但不占用ECS资源。作业提交后，调度器创建ECS实例（alloc#状态），实例就绪后执行作业（alloc状态）。作业完成后节点进入空闲计时，超过阈值（默认1分钟）后释放实例，节点回到idle~状态。

节点状态标识与转换流程：

符号	状态	含义
~	POWERED_DOWN	节点处于断电状态，无实际ECS资源，可接受作业调度
#	POWERING_UP	正在创建ECS实例，等待实例就绪
（无后缀）	POWER_UP	ECS实例已就绪，节点正常运行中
!	POWER_DOWN	节点收到断电信号，即将进入释放流程，此状态持续时间极短
%	POWERING_DOWN	正在释放ECS实例
典型转换路径：idle~ → alloc# → alloc → idle → idle! → idle% → idle~

更多细节参见Slurm Power Saving官方文档。

创建托管版Slurm集群

集群创建约需10~15分钟，未提及的参数按需填写。

创建标准版集群，使用以下配置。

配置项	示例值
系列	托管版
部署模式	公共云集群
集群类型	SLURM
集群最大节点数	1000（根据业务峰值规模设置）
队列节点数	创建集群时跳过，集群就绪后单独配置PowerSaving队列
共享文件存储	默认挂载`/home`和`/opt`为共享存储目录
登录节点	实例规格ecs.c7.large（2 vCPU / 4 GiB），镜像CentOS 7.6 64位，按需开启EIP

进入集群详情页面。
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，单击集群。
4. 在集群列表页面，单击目标集群名称。
在左侧导航栏，单击用户管理。
作业需以非root用户提交。在用户管理页面，单击新增用户。
在弹出的对话框中配置用户信息，以usertest为例。
- 用户名：usertest。
- 用户权限：选择普通权限组，适用于提交和调试作业的用户。
- 密码、确认密码：设置登录密码。

配置PowerSaving队列

集群就绪后，配置PowerSaving队列定义弹性伸缩行为。

在集群列表页面，单击目标集群名称。
在左侧导航栏，选择节点与队列 > 队列。
单击创建队列，参照以下配置填写参数。

基础设置

配置项	示例值与说明
队列名称	testq
队列自动伸缩	开启。开启后队列根据作业负载自动创建和释放节点。
队列节点数	0 - 20。系统预注册20个虚拟节点并分配主机名和IP，弹性伸缩从此节点池中选取。

节点配置

配置项	示例值与说明
节点间互联	VPC网络
虚拟交换机	选择队列所在的交换机（如vsw-bp*******************），系统据此确定可用区并预创建节点
实例规格组	通用型g7 / ecs.g7.large / CentOS 7.6 64位 / 40G ESSD PL0系统盘。多个规格须保持同构，仅第一个生效。根据可用区库存选择可用规格。

自动伸缩

配置项	示例值与说明
伸缩策略	供应优先策略。按可用区顺序优先供应，尽可能满足规模要求。
主机名前缀	testq，系统根据此前缀自动生成节点序号（如testq001、testq002）

提交作业与自动扩缩容验证

队列配置完成后，提交一个CPU压测作业验证自动扩缩容流程。

连接集群并确认节点状态

在集群列表页面，单击目标集群名称。
在右上角选项栏，选择远程连接。
进入Workbench页面后，运行sinfo命令，确认节点testq[001-020]处于idle~状态。

安装测试工具并提交作业

安装stress压测工具到/opt共享目录，确保所有计算节点可访问。

cd /tmp
wget https://fossies.org/linux/privat/stress-1.0.7.tar.gz
tar -xzf stress-1.0.7.tar.gz
cd stress-1.0.7/
./configure --prefix=/opt/stress
make && make install

确认安装成功。

/opt/stress/bin/stress --version

su usertest
cd ~

编写作业脚本cpu_stress.slurm，申请testq队列的1个节点、2个CPU核心，运行10分钟压测。

cat > cpu_stress.slurm << EOF
#!/bin/bash
#SBATCH --job-name=cpu_stress_test
#SBATCH --partition=testq
#SBATCH --nodes=1
#SBATCH --ntasks-per-node=1
#SBATCH --cpus-per-task=2
#SBATCH --time=00:10:00
#SBATCH --output=cpu_stress_%j.out
#SBATCH --error=cpu_stress_%j.err

echo "=== CPU Stress Test ==="
echo "Job ID: \$SLURM_JOB_ID"
echo "Node: \$(hostname)"
echo "Requested CPUs: \$SLURM_CPUS_PER_TASK"
echo "Start time: \$(date)"

NUM_CPUS=\${SLURM_CPUS_PER_TASK:-\$(nproc)}

if command -v /opt/stress/bin/stress >/dev/null 2>&1; then
    /opt/stress/bin/stress --cpu \$NUM_CPUS --timeout \${SLURM_TIME_LIMIT:-600}
else
    echo "ERROR: stress is not installed"
    exit 1
fi

echo "End time: \$(date)"
echo "=== CPU Stress Test Completed ==="
EOF

提交作业到testq队列。

sbatch -p testq cpu_stress.slurm

观察自动扩容与缩容

作业提交后，运行sinfo和squeue观察节点状态变化：

扩容阶段：sinfo显示节点处于alloc#状态，表示ECS实例正在创建。控制台中对应的testq001节点显示为初始化状态。
运行阶段：节点转为alloc状态，squeue显示作业处于R（Running）状态。控制台中testq001节点CPU处于高负载。
缩容阶段：作业完成后，节点空闲超过1分钟自动回收。作业输出保存在cpu_stress_<job_id>.out中。
```
=== CPU Stress Test ===
Job ID: 1
Node: testq001
Requested CPUs: 2
Start time: Tue Feb 10 19:30:24 CST 2026
Using stress (fallback)
stress: info: [14051] dispatching hogs: 2 cpu, 0 io, 0 vm, 0 hdd
```
节点完成回收后，testq001重新变为idle~状态，ECS实例已释放。

限制项

地域限制：仅支持杭州、北京、河源、上海。
单集群节点上限为1000。
队列仅支持单可用区、单规格、同构实例规格。
队列不支持例外节点、不支持修改主机前缀、不支持超线程（HT）和eRDMA。
每队列节点数上限为500。
不支持手动扩容和缩容。
不支持srun及MPI作业，仅支持sbatch批处理作业。