Slurm

老牌的集群作业调度系统，全球超算中心的主力，也在大量智算集群里承担资源分配。

它是干什么的

Slurm 是一个开源的集群作业调度系统，核心工作就一件：把用户提交的计算任务，合理地分配到集群的各个节点上跑起来。你告诉它“我要 64 个核、跑 8 小时”，它负责排队、分配资源、启动进程、监控状态，跑完把结果交还给你。听上去简单，但要在几千甚至上万台机器的超算中心里把这件事做稳，是另一回事。

全球 Top500 超算榜单里，相当大比例的机器跑的是 Slurm。国内不少智算中心、高校集群、企业 AI 训练平台也在用它做资源分配——不只是传统 HPC 的 MPI 作业，GPU 训练任务同样能交给它管。

谁该用它

如果你手上有一个多节点集群，多个用户或团队要抢着用，靠 SSH 手动分机器已经乱成一锅粥，那 Slurm 就是标准答案。它适合的场景很明确：作业量大、资源需要公平排队、要能追溯谁用了多少资源。反过来，单机跑跑脚本、任务之间没有资源竞争，那没必要上 Slurm，徒增运维成本。

几个值得知道的点

Slurm 的架构是中心化的：一个 slurmctld 控制进程管全局调度，每个计算节点上跑一个 slurmd 守护进程执行具体任务。控制节点挂了作业会停摆，所以生产环境一般要做主备。调度策略可以按优先级、公平共享（fair-share）、资源预留等方式配置，多租户场景下能划出不同的账户和配额。

对用户来说，日常打交道的就是几条命令：sbatch 提交批处理脚本，srun 交互式启动任务，squeue 看队列，scancel 撤作业。脚本里用 #SBATCH 声明资源需求，学习曲线不算陡。

它和 GPU 的结合也成熟，通过 --gres=gpu:4 这类参数就能申请显卡，配合 GRES 插件管理异构资源。生态上，Slurm 有 REST API、数据库记账（slurmdbd）和多种监控集成，方便接到现有的运维体系里。

上手建议

官方文档（slurm.schedmd.com）写得相当扎实，从快速入门到 man page 都齐全。新集群建议先用小规模验证调度策略和记账配置，再逐步放开给用户。版本迭代较快，升级前留意 release notes 里的行为变更——调度系统的坑往往不在功能，而在配置细节。

常见问题

Slurm 是什么？

老牌的集群作业调度系统，全球超算中心的主力，也在大量智算集群里承担资源分配。

Slurm 的官方网站是什么？

Slurm 的官方网站是 https://slurm.schedmd.com/，可直接在浏览器中打开使用。