本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 在计算节点初始化过程中看到错误
<a name="troubleshooting-fc-v3-compute-node-initialization-v3"></a>

以下各节提供了计算节点初始化过程中出现错误时的问题排查提示。这包括引导错误、在日志中看到错误，以及如果这些场景都不适用于您的具体情况，该如何处理。

**Topics**
+ [

# 在 `clustermgtd.log` 中看到“`Node bootstrap error`”
](compute-node-initialization-bootstrap-error-v3.md)
+ [

# 我配置了按需容量预留 (ODCRs) 或区域预留实例
](compute-node-initialization-odcr-v3.md)
+ [

# 运行作业失败时在 `slurm_resume.log` 中看到“`An error occurred (VcpuLimitExceeded)`”，或创建集群失败时在 `clustermgtd.log` 中看到该错误
](compute-node-initialization-vpc-limit-v3.md)
+ [

# 运行作业失败时在 `slurm_resume.log` 中看到“`An error occurred (InsufficientInstanceCapacity)`”，或创建集群失败时在 `clustermgtd.log` 中看到该错误
](compute-node-initialization-ice-failure-v3.md)
+ [

# 看到节点处于 `DOWN` 状态并显示`Reason (Code:InsufficientInstanceCapacity)...`
](compute-node-initialization-down-nodes-v3.md)
+ [

# 在 `slurm_resume.log` 中看到“`cannot change locale (en_US.utf-8) because it has an invalid name`”
](compute-node-initialization-locale-v3.md)
+ [

# 以上情形都不适用于我的情况
](compute-node-initialization-not-found-v3.md)

# 在 `clustermgtd.log` 中看到“`Node bootstrap error`”
<a name="compute-node-initialization-bootstrap-error-v3"></a>

该问题与计算节点无法引导有关。有关如何调试集群受保护模式问题的信息，请参阅[如何调试受保护模式](slurm-protected-mode-v3.md#slurm-protected-mode-debug-v3)。

# 我配置了按需容量预留 (ODCRs) 或区域预留实例
<a name="compute-node-initialization-odcr-v3"></a>

## ODCRs 其中包括具有多个网络接口的实例，例如 p4d、p4de 和 AWS Trainium (Trn)
<a name="compute-node-initialization-odcr-multi-ni-v3"></a>

在集群配置文件中，检查 `HeadNode` 是否位于公有子网中，以及计算节点是否位于私有子网中。

## ODCRs 是针对 ODCR
<a name="compute-node-initialization-odcr-targeted-v3"></a>

### 尽管我已经按照[使用按需容量预留（ODCR）启动实例](launch-instances-odcr-v3.md)中的说明准备好了 `/opt/slurm/etc/pcluster/run_instances_overrides.json`，但仍看到“`Unable to read file '/opt/slurm/etc/pcluster/run_instances_overrides.json'.`”
<a name="compute-node-initialization-odcr-targeted-noread-v3"></a>

如果您使用的是目标 AWS ParallelCluster 版本3.1.1至3.2.1 ODCRs，并且还使用[运行实例覆盖 JSON 文件](launch-instances-odcr-v3.md)，则可能您的 JSON 文件格式不正确。您可能会在 `clustermgtd.log` 中看到错误，例如下面的错误：

```
Unable to read file '/opt/slurm/etc/pcluster/run_instances_overrides.json'. 
Using default: {} in  /var/log/parallelcluster/clustermgtd.
```

通过运行以下命令验证 JSON 文件格式是否正确：

```
$ echo /opt/slurm/etc/pcluster/run_instances_overrides.json | jq
```

### 集群创建失败时在 `clustermgtd.log` 中看到“`Found RunInstances parameters override.`”，或运行作业失败时在 `slurm_resume.log` 中看到该错误
<a name="compute-node-initialization-odcr-targeted-override-v3"></a>

如果您使用的是[运行实例覆盖 JSON 文件](launch-instances-odcr-v3.md)，请检查是否在 `/opt/slurm/etc/pcluster/run_instances_overrides.json` 文件中正确设置了队列名称和计算资源名称。

### 运行作业失败时在 `slurm_resume.log` 中看到“`An error occurred (InsufficientInstanceCapacity)`”，或创建集群失败时在 `clustermgtd.log` 中看到该错误
<a name="compute-node-initialization-odcr-ii-capacity-v3"></a>

#### 使用 PG-ODCR（置放群组 ODCR）
<a name="compute-node-initialization-odcr-ii-pg-capacity-v3"></a>

创建具有关联置放群组的 ODCR 时，必须在配置文件中使用相同的置放群组名称。在集群配置中设置相应的[置放群组名称](Scheduling-v3.md#yaml-Scheduling-SlurmQueues-Networking-PlacementGroup)。

#### 使用区域预留实例
<a name="compute-node-initialization-odcr-ii-zonal-capacity-v3"></a>

如果您使用区域预留实例并在集群配置中将 `PlacementGroup`/`Enabled` 设置为 `true`，则可能会看到错误，例如下面的错误：

```
We currently do not have sufficient trn1.32xlarge capacity in the Availability Zone you requested (us-east-1d). Our system will be working on provisioning additional capacity. 
You can currently get trn1.32xlarge capacity by not specifying an Availability Zone in your request or choosing us-east-1a, us-east-1b, us-east-1c, us-east-1e, us-east-1f.
```

您可能会看到这种情况，因为区域预留实例未放置在同一 UC（或主干）中，这可能会在使用置放群组时导致容量不足错误 (ICEs)。您可以通过在集群配置中禁用 `PlacementGroup` 群组设置来检查这种情况，以确定集群是否可以分配实例。

# 运行作业失败时在 `slurm_resume.log` 中看到“`An error occurred (VcpuLimitExceeded)`”，或创建集群失败时在 `clustermgtd.log` 中看到该错误
<a name="compute-node-initialization-vpc-limit-v3"></a>

检查您的账户中正在使用的特定 Amazon EC2 实例类型的 vCPU 限制。如果您看到的 v 为零或CPUs 小于您请求的 v，请申请提高限额。有关如何查看当前限制和请求新限制的信息，请参阅《Amazon EC2 用户指南》**中的 [Amazon EC2 服务配额](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/ec2-resource-limits.html)。

# 运行作业失败时在 `slurm_resume.log` 中看到“`An error occurred (InsufficientInstanceCapacity)`”，或创建集群失败时在 `clustermgtd.log` 中看到该错误
<a name="compute-node-initialization-ice-failure-v3"></a>

您遇到了容量不足问题。按照 Kn [https://aws.amazon.com/premiumsupport/owledge-center/ec2-insufficient-capacity-errors /进行问题故障排](https://aws.amazon.com/premiumsupport/knowledge-center/ec2-insufficient-capacity-errors/)除。

# 看到节点处于 `DOWN` 状态并显示`Reason (Code:InsufficientInstanceCapacity)...`
<a name="compute-node-initialization-down-nodes-v3"></a>

您遇到了容量不足问题。按照 Kn [https://aws.amazon.com/premiumsupport/owledge-center/ec2-insufficient-capacity-errors /进行问题故障排](https://aws.amazon.com/premiumsupport/knowledge-center/ec2-insufficient-capacity-errors/)除。有关快速容量不足故障转移模式 AWS ParallelCluster的更多信息，请参阅。[Slurm 集群快速容量不足故障转移](slurm-short-capacity-fail-mode-v3.md)

# 在 `slurm_resume.log` 中看到“`cannot change locale (en_US.utf-8) because it has an invalid name`”
<a name="compute-node-initialization-locale-v3"></a>

如果 `yum` 安装过程失败，导致区域设置处于不一致状态，则可能会发生这种情况。例如，当用户终止安装过程时可能会导致这种情况。

**要验证原因，请执行下列操作：**
+ 运行 `su - pcluster-admin`。

  Shell 显示错误，例如“`cannot change locale...no such file or directory`”。
+ 运行 `localedef --list`。

  返回空列表或不包含默认区域设置。
+ 使用 `yum history` 和 `yum history info #ID` 检查最后的 `yum` 命令。最后 ID 是否包含`Return-Code: Success`？

  如果最后 ID 不包含`Return-Code: Success`，则表明安装后脚本可能未成功运行。

要解决此问题，请尝试使用 `yum reinstall glibc-all-langpacks` 重建区域设置。重建后，如果解决了该问题，则 `su - pcluster-admin` 不会显示错误或警告。

# 以上情形都不适用于我的情况
<a name="compute-node-initialization-not-found-v3"></a>

要排查计算节点初始化问题，请参阅[排查节点初始化问题](troubleshooting-v3-scaling-issues.md#troubleshooting-v3-node-init)。

查看您的场景是否包含在 “[GitHub 已知问题](https://github.com/aws/aws-parallelcluster/wiki) AWS ParallelCluster ” 中 GitHub。