今天在组里的某个 GPU 集群上部署了一套 SLURM，方便多人使用。我本以为只是从已有集群复制配置、启动服务，十分钟之内就能搞定，没想到因为一个玄学的问题整整卡了一个多小时。 问题现象：各个节点上的 slurmctld、slurmd、slurmdbd 都能正常启动，然而只要试图提交任务，机器上的 slurmd 和派生的 slurmstepd 就会卡死（任务并没有开始运行），不再有任何响应（slurmctld 也无法联系它），只能靠 SIGKILL 杀死后重新启动。各个进程的日志中都看不出什么异常；能看…