ubuntu - Slurm Worker 节点无法连接到 Master 节点

Question

我正在尝试建立一个简单的 Slurm 集群。设置如下:两台虚拟机，一台是master(也是一台worker)，我们称之为Master(ubu18gpu-210)，另一台是另一个worker，我们称之为Worker(ubu18gpu-211) )。
两台机器的名称都是 hostname -s 的准确输出。命令。
所有要求和 Slurm 的安装已经在两台机器上完成。我什至可以在主节点上运行作业。但是，我面临的问题是 Worker 无法连接到 master。
我在主节点中运行 Slurmdbd、Slurmctld 和 Slurmd 守护程序，没有任何问题。 Worker 节点也在运行 Slurmd 守护进程，但日志总是报告相同的错误:

[2021-09-22T10:52:54.049] error: get_addr_info: getaddrinfo() failed: Name or service not known
[2021-09-22T10:52:54.049] error: slurm_set_addr: Unable to resolve "ubu18gpu-210"
[2021-09-22T10:52:54.049] error: Unable to establish control machine address
[2021-09-22T10:52:54.049] error: Unable to register: No error

多次查看配置文件slurm.conf我认为这是正确的，至少是专门用于定义主节点和节点的部分:
slurm.conf
使用 sinfo 在主节点中显示信息时会出现奇怪的情况。和 scontrol命令。我将在此处粘贴输出:

sinfo
PARTITION AVAIL  TIMELIMIT  NODES  STATE NODELIST
debug*       up   infinite      2   idle ubu18gpu-[210-211]


scontrol show nodes ubu18gpu-[210-211]
NodeName=ubu18gpu-210 Arch=x86_64 CoresPerSocket=6
   CPUAlloc=0 CPUTot=6 CPULoad=0.00
   AvailableFeatures=(null)
   ActiveFeatures=(null)
   Gres=gpu:1
   NodeAddr=192.168.23.210 NodeHostName=ubu18gpu-210 Version=21.08.0
   OS=Linux 4.15.0-117-generic #118-Ubuntu SMP Fri Sep 4 20:02:41 UTC 2020
   RealMemory=23531 AllocMem=0 FreeMem=8695 Sockets=1 Boards=1
   State=IDLE ThreadsPerCore=1 TmpDisk=0 Weight=1 Owner=N/A MCS_label=N/A
   Partitions=debug
   BootTime=2021-09-21T16:13:38 SlurmdStartTime=2021-09-22T11:08:39
   LastBusyTime=2021-09-22T11:08:39
   CfgTRES=cpu=6,mem=23531M,billing=6,gres/gpu=1
   AllocTRES=
   CapWatts=n/a
   CurrentWatts=0 AveWatts=0
   ExtSensorsJoules=n/s ExtSensorsWatts=0 ExtSensorsTemp=n/s

NodeName=ubu18gpu-211 CoresPerSocket=6
   CPUAlloc=0 CPUTot=6 CPULoad=0.00
   AvailableFeatures=(null)
   ActiveFeatures=(null)
   Gres=gpu:1
   NodeAddr=192.168.23.211 NodeHostName=ubu18gpu-211
   RealMemory=23531 AllocMem=0 FreeMem=22257 Sockets=1 Boards=1
   State=IDLE ThreadsPerCore=1 TmpDisk=0 Weight=1 Owner=N/A MCS_label=N/A
   Partitions=debug
   BootTime=None SlurmdStartTime=None
   LastBusyTime=2021-09-22T11:08:42
   CfgTRES=cpu=6,mem=23531M,billing=6,gres/gpu=1
   AllocTRES=
   CapWatts=n/a
   CurrentWatts=0 AveWatts=0
   ExtSensorsJoules=n/s ExtSensorsWatts=0 ExtSensorsTemp=n/s

似乎可以正确检测到 Worker 节点，尽管我认为这是因为配置文件中的信息。
我真的不知道会发生什么......我可以正确地从一台机器ping到另一台机器，因此它们之间存在连接。我还打开了 6817-6818 Slurm 默认端口，没有任何改进。我也关注了Official Troubleshooting Guide一切似乎都是正确的。
此外，我使用网络时间协议(protocol) (NTP) 在机器之间同步时间。 Master 托管 NTP 服务器，Worker 的输出为:

ntpq -c lpeer
     remote           refid      st t when poll reach   delay   offset  jitter
==============================================================================
*192.168.23.210  LOCAL(0)        11 u   38   64  377    0.255   -0.518   0.299

我认为这是正确的行为
有谁知道这里可能发生什么？

Answer 1

好吧，看来幸运的是我已经找到了解决方案。我不知道我的配置中是否有特定内容，但在每个节点中我必须更新 /etc/hosts文件添加主名称和 IP 为:

192.168.23.210 ubu18gpu-210 ubu18gpu-210