【HPC最強進化】AWS Parallel Computing ServiceがSlurm 25.11対応！爆速リカバリとPrometheus監視を実現

AWS Parallel Computing Service (AWS PCS) において、最新の Slurm 25.11 がサポートされました。今回のアップデートでは、ノード障害発生時にジョブを最高優先度で自動再スケジューリングする「Expedited Re-Queue」機能、Prometheus 互換の OpenMetrics エンドポイントによるリアルタイム監視、およびスケーラブルなログ管理（slurmdbd/slurmrestd ログの CloudWatch/S3/Firehose 連携や監査ログの分離）が導入されています。

🚀 HPC運用が劇的に変わる！エンジニアへのメッセージ

HPC（ハイパフォーマンス・コンピューティング）の運用で、**「ノードが落ちた時のジョブのリカバリが面倒」「監視がブラックボックス」**という課題に直面していませんか？今回の Slurm 25.11 対応は、まさにその痛みを解決する強力なアップデートです。

🛠️ 技術的な注目ポイント

• ジョブの自動復旧力アップ: Expedited Re-Queue により、ノード障害が起きてもジョブを最優先で再投入してくれるため、計算待ちの時間を大幅に削減できます。
• **Observability（可観測性）の向上: Prometheus 互換のエンドポイントが追加されたことで、既存の監視基盤（Grafanaなど）へシームレスにメトリクスを統合可能になりました。

🗾 日本の現場への重要情報（リージョン確認）

最新の公式情報を再検証した結果、東京リージョン (ap-northeast-1) では利用可能ですが、大阪リージョン (ap-northeast-3) は現時点で未提供であることが確認されました。国内でのHPC構築・運用においては、東京リージョンをメインに据える設計が必須となります。

💡 運用のプロが教えるアドバイス

• セキュリティ重視: OpenMetrics エンドポイントは HTTP で通信するため、必ずセキュリティグループでアクセス元を厳格に制限してください。
• コスト最適化: 監査ログ (PCS_SCHEDULER_AUDIT_LOGS) が分離されたことで、運用ログとは別に、コンプライアンス要件に合わせて「監査ログのみを S3 に長期保存する」といったコスト効率の高いログ管理が可能になります。

🏁 次にとるべきアクション

まずは、ステージング環境でノードの擬似障害を発生させ、Expedited Re-Queue が期待通りに最高優先度でジョブを再スケジューリングするか、挙動を確認することから始めましょう！

Reference:

• AWS Parallel Computing Service ユーザーガイド
• AWS What's New