SGE（Sun Grid Engine）是Linux环境下最成熟的开源集群作业调度系统之一，对于中小规模HPC集群，它依然是性价比最高的选择，但需注意原版社区已停止更新，生产环境建议采用活跃分支Open Grid Scheduler。
sge linux 安装教程：两种主流方式详解
部署SGE首先需要确定操作系统和版本，业内专家指出，包管理器安装最省力，但版本可能滞后；源码编译能获取最新特性，但需要额外配置,以下两种方式覆盖大多数Linux发行版。
通过EPEL仓库安装（适用于RHEL/CentOS）
基于Red Hat的发行版通常通过EPEL（Extra Packages for Enterprise Linux）获取SGE包,操作步骤如下：
- 启用EPEL仓库：
yum install epel-release - 安装SGE核心组件：
yum install gridengine gridengine-server gridengine-client - 安装完成后，执行
qconf -au添加管理员用户，并使用qconf -as添加主机。
注意：EPEL中SGE版本固定为8.1.6（基于原版），虽然稳定但缺少后续修复，若需要更新的功能,建议使用源码方式。
从源码编译最新版（适用于Ubuntu/Debian）
源码编译适合追求最新版本或需要自定义功能的场景，行业内普遍使用Open Grid Scheduler（OGS）的GitHub仓库作为上游。
- 克隆仓库：
git clone https://github.com/gridengine/gridengine.git - 安装依赖：
apt-get install build-essential libxt-dev libmotif-dev - 进入源码目录，执行
./autoreconf生成配置脚本，然后./configure并指定安装路径。 - 编译与安装：
make && make install
编译过程中常见错误包括缺少X11库或Motif开发包，根据提示安装对应依赖即可，安装后需要配置/etc/hosts保证主机名解析正常,否则execd服务无法启动。
sge linux 常用命令：作业提交、监控与删除
掌握常用命令是使用SGE的基础，根据社区统计，qsub、qstat、qdel是最频繁使用的三个命令,覆盖了作业生命周期管理。
作业提交命令 qsub
qsub是提交作业的入口,基本用法：
qsub job.sh提交脚本作业qsub -cwd -l h_vmem=2G -pe smp 4 job.sh
指定运行目录、虚拟内存要求和并行环境
常用参数包括：
-N指定作业名称-o和-e分别指定标准输出和错误日志文件-hold_jid依赖前序作业完成后启动
作业状态查看 qstat 与 qhost
qstat用于查看作业队列状态：
qstat -f显示所有队列和作业详情qstat -u <username>筛选特定用户作业qstat -s r仅显示运行中的作业
qhost则展示节点资源状态：
qhost -q显示每个节点上各队列的负载情况qhost -j显示节点上正在运行的作业列表
作业删除与优先级管理
qdel <jobid>删除指定作业，但无法删除正在运行的作业（需先qmod -d）qalter -p <priority>调整作业优先级，取值范围-1023到1024，负值降低优先级
实际使用中，管理员常通过qconf定义队列的priority属性,避免用户随意调整优先级导致资源争抢。
sge linux 与 slurm 对比：核心差异与选型建议
在选择集群调度器时，管理员常纠结于SGE和Slurm，行业共识认为，SGE在传统学术HPC环境中根基深厚,但Slurm在大型集群和云原生场景中更具优势。
| 对比维度 | SGE（含Open Grid Scheduler） | Slurm |
|---|---|---|
| 架构设计 | 双主模式（master/slave） | 扁平架构，无单点故障 |
| 作业依赖 | 支持hold_jid，但无原生DAG |
内建作业依赖关系图 |
| 资源管理 | 基于队列（queue）和复杂资源（complex） | 基于分区（partition）和QoS |
| 社区活跃度 | 原版停止更新，OGS每月有少量commit | 每周多次commit，主流HPC集群首选 |
| 易用性 | 学习曲线较平缓，文档丰富 | 命令更直观，但配置复杂 |
SGE的优势：对于100-500节点的集群，SGE的队列模型（queue）比Slurm的分区更直观，且
qsub脚本语法与PBS相似，方便迁移，据统计，一些生命科学和气象领域的老牌机构仍在使用SGE,主要是因为现有脚本资源和运维惯性。
Slurm的优势：支持gpu资源管理（如--gpus）、原生REST API、以及更灵活的作业依赖（如--dependency=afterok），在云环境（如AWS ParallelCluster）中,Slurm是默认调度器。
选型建议：
- 如果你已有大量SGE脚本，且集群规模不超过500节点，继续使用Open Grid Scheduler即可。
- 如果从零开始搭建集群，且未来可能扩展至上千节点,直接选择Slurm更稳妥。
- 需要并行环境（如MPI）时，两者都支持，但Slurm的
srun命令在交互式作业上更高效。
sge linux 集群配置实战：队列与资源管理
配置SGE集群的核心是队列定义和资源限制，以下步骤基于Open Grid Scheduler。
队列配置 qconf 命令详解
- 添加队列：
qconf -aq <queue_name>，然后编辑队列属性，如slots（最大槽位数）、qtype（批处理模式或交互模式）。 - 修改队列：
qconf -mq <queue_name> - 查看队列列表：
qconf -sql
实际场景中，管理员常为不同用户组配置独立队列，限制每个用户的运行槽位数，并设置rerun属性允许作业失败后自动重试。
用户权限管理与共享树
- 添加用户到集群：
qconf -au <username> - 设置共享树（share tree）：通过
qconf -ms定义用户组权重，实现公平调度，教学组权重为1，科研组权重为2,则科研组可获取双倍资源。
内存、CPU等资源限制设置
- 配置复杂资源（complex）：
qconf -mc，可定义h_vmem（虚拟内存）、h_cpu（CPU时间）等。 - 在队列中引用这些资源：
qconf -mq <queue_name>，设置complex_values，如h_vmem=2G。
注意：资源限制必须在作业提交时生效，例如qsub -l h_vmem=4G，如果作业超出限制，SGE会将其挂起或杀死，管理员可通过
qconf -sc修改负载传感器的告警阈值。
sge linux 常见错误与解决方法
运维中常见问题有以下几种,均可通过检查日志和调整配置解决。
- execd无法连接master：原因通常是主机名解析失败，检查
/etc/hosts包含master的IP和主机名；确认$SGE_ROOT/$SGE_CELL/common/act_qmaster正确。 - 作业始终处于qw状态（等待中）：可能原因包括队列关闭、槽位不足、资源需求不满足，使用
qstat -explain查看具体原因，或qhost -q查看各队列槽位占用。 - qsub提交时报错”无法解析主机”：SGE会反向解析提交端主机名，确保DNS或hosts文件设置正确，且在
qconf -as中添加了执行节点。 - 作业运行时内存溢出：检查
h_vmem是否设置合理，或使用qrsh交互式调试，若节点内存不足，需调整qconf -mq中的hlq（高负载队列）限制。
SGE尽管原版停止更新，但Open Grid Scheduler分支依然稳定运行在大量生产集群中，对于中小规模HPC环境，它凭借低门槛、易维护和丰富的脚本生态，仍是值得信赖的选择，若你正规划新集群，不妨先评估SGE,再决定是否迁移到Slurm等更现代化的调度器。
sge linux 常见问题解答
SGE Linux是否完全免费？
SGE最初是Sun公司商业产品，但开源后以Sun Open Grid Engine发布，所有功能免费，无许可费用，Open Grid Scheduler作为社区分支，同样采用开源协议,可自由使用和分发。
SGE与Open Grid Scheduler有什么区别？
Open Grid Scheduler（OGS）是SGE的社区维护分支，主要修复了原版8.1.6及后续版本中发现的bug，并增加了对较新Linux内核和编译器的支持，OGS完全兼容原版qsub脚本,建议新用户直接安装OGS而非原版SGE。
SGE适合多大规模的集群？
SGE的设计目标为中小型集群，通常建议节点数不超过500，作业并发数不超过5万，在超过1000节点时，调度器响应可能变慢，且Master单点故障风险增加，此时更适合使用Slurm或PBS Professional。
首发原创文章，作者：王坚，如若转载，请注明出处：https://idctop.com/article/506194.html
