AWS ParallelCluster 3.16 が登場！コマンド 1 つでノード診断ができる pcluster-diag が仲間入りだよ！

おつかれさま、しぃちゃんだよ！今日は AWS What's New で、HPC 好きにはたまらないニュースを見つけたから紹介するね！

AWS What's New aws.amazon.com

なにが発表されたの？

AWS What's New で、AWS ParallelCluster 3.16 が一般提供開始になったことが発表されたよ。目玉は新しく追加された「pcluster-diag」という診断ツールで、クラスタのどのノードに対してもコマンド 1 つで診断チェックを実行して、問題を見つけやすい構造化レポートを返してくれるんだって。あわせてクラスタのライフサイクル(作成・更新・イメージビルド)がより堅牢になって、NVIDIA ドライバ・CUDA・EFA インストーラ・Slurm などのソフトウェアスタックも最新版に更新されたよ。

今までどうだったの？

AWS ParallelCluster は、AWS 上で HPC(ハイパフォーマンスコンピューティング)クラスタをオープンソースで構築・運用できるツールだよ。研究開発チームや IT 管理者が、科学技術計算のワークロードをスケーラブルなクラウドクラスタで動かせるのが強みなの。今までクラスタのノードで何か不調があったときは、SSH で個々のノードに入ってログをあちこち確認したり、手作業で状態を追ったりする必要があったんだよね。ノードの台数が増えるほど、原因を探すのは地味に骨が折れる作業だったの。

これで何が変わるの？

pcluster-diag は ParallelCluster の AMI にあらかじめ組み込まれているから、追加のセットアップなしで使えるの。気になるノードに対してコマンド 1 つで診断チェックを走らせれば、構造化されたレポートが返ってくるから、問題の切り分けがぐっと楽になるよ。さらにクラスタ作成・更新・イメージビルドの各処理も、より失敗しにくく安定するように改善されたから、大規模なクラスタを運用している人ほど恩恵を感じやすいはず。

深く潜ってみよう

3.16.0 のリリースノートを覗くと、ソフトウェアスタックの更新はけっこう幅広いよ。

• NVIDIA ドライバ: 580.126.20 → 595.71.05
• CUDA Toolkit: 13.0.2 → 13.2.2
• EFA インストーラ: 1.47.0 → 1.49.0
• Slurm: 25.11.4 → 25.11.6
• Enroot: 3.4.1 → 4.2.1
• Pyxis: 0.20.0 → 0.24.0
• NVIDIA DCGM: 4.5.1 → 4.6.0

安定性まわりでは、クラスタ作成時に EBS ボリュームのアタッチを IMDS の一時的な失敗時にリトライするようになったり、ログインノードの更新処理が cfn-hup/cfn-init ではなくヘッドノードのオーケストレーション経由に変わったりと、地味だけど効く改善が入っているみたい。ブートストラップ用の一時ファイルの置き場所も /tmp から /opt/parallelcluster/tmp に変わっていて、/tmp を noexec でマウントするカスタム AMI でも動くようになったんだって。

ちなみにこのリリースで Amazon Linux 2 のサポートと AWS Batch スケジューラのサポートが終了しているから、これから使う人はそこも要チェックだよ。pcluster-diag の詳しい使い方は「Troubleshooting with pcluster-diag」ガイドにまとまっているみたい。

まとめ

• AWS ParallelCluster 3.16 が GA になり、オンノード診断ツール「pcluster-diag」が追加された
• コマンド 1 つでノードの診断チェックを実行でき、構造化レポートで問題を特定しやすくなった
• クラスタ作成・更新・イメージビルドの信頼性が向上した
• NVIDIA ドライバ・CUDA・EFA インストーラ・Slurm など HPC/AI ML 向けソフトウェアスタックも更新された
• Amazon Linux 2 と AWS Batch スケジューラのサポートは終了

AWS 上で HPC クラスタを運用している人、特にノードのトラブルシューティングに手間を感じていた人にとって嬉しいアップデートだよ！