SSH 主机与 Slurm 配置

提交作业前

提交远程作业前，先配置 SSH 主机并选择 Direct SSH 或 Slurm。保存主机配置不代表认证或任务执行成功。

通过 Settings → Compute 注册服务器或集群。添加主机、允许会话使用主机、成功完成作业是三个不同阶段。请将登录节点规则和调度要求写入主机说明。

选择作业执行位置

执行模式	作业执行	命令调用	适用环境
Direct SSH	直接在 SSH 登录主机运行	在 SSH 登录主机运行	允许直接运行负载的机器
Slurm	通过 Slurm 提交和管理	仍在 SSH 登录主机运行	要求调度分配的集群

选择 Slurm 不会把所有命令转移到计算节点。登录主机的 CPU、内存、GPU 信息不能当作未来作业获配的资源。应检查作业实际分配。

添加连接

选择 Add SSH host，选择已有别名或输入主机标识。表单默认使用 SSH configuration 认证和 Direct SSH 执行。

字段或控件	输入及作用
From ~/.ssh/config	选择发现的别名；没有别名时禁用
Or type a host alias	必填，去除首尾空格后 1–255 字符；不允许 NUL 或换行
可选主机说明	调度规则、分区／账号、模块、包安装规则和环境位置；最多 32,768 字符
Execution mode	Direct SSH 或 Slurm，按主机保存
SSH configuration	通过 ssh -G 解析连接，使用现有 SSH 配置、密钥或 ssh-agent
Advanced settings → User	可选覆盖；留空使用 SSH 解析结果
Port	SSH 配置模式下可选；填写时必须是 1–65535 的整数
Identity file	可选密钥文件覆盖；留空使用配置／agent 行为
Username and password	必填 User、Port、Password，不使用密钥或 ssh-agent
Cancel	离开，不注册表单中的主机
Add	提交有效连接；密码模式必须通过连接测试才添加主机

密码模式依赖应用的密码认证和安全存储能力。不可用时，请查看表单显示的原因。凭据只填入对应字段，不要写进主机说明或代理请求。

SSH 配置模式会先创建记录、打开详情，再在后台探测。因此列表里出现主机不能证明认证成功或计算已就绪。应先查看探测结果，再让任务使用该主机。

连接使用密码的科研服务器

1. 打开 Settings → Compute → Add SSH host，输入服务器地址或别名。
2. 选择 Username and password，填写 User、Port 和 Password，点击 Add。端口以管理员提供的信息为准，本例使用 22。
3. 如果提示 The SSH host key is unknown. Verify it in a terminal before connecting.，需要先建立主机信任。使用系统 SSH 客户端连接同一主机和端口，将显示的指纹与管理员提供的指纹核对，一致后再接受。返回应用重新点击 Add，不要通过关闭主机密钥检查消除提示。
4. 等待 Last probe succeeded。在 Configuration 中核对 Credential configured、认证方式与最后验证时间。已保存密码显示 Configured · cannot be viewed，不能重新查看。
5. 检查或修改已有连接时，打开 Configuration → Edit，使用 Test and save。更改认证前阅读提示：新配置提交后，会清除会话启用状态与权限授权，需要在目标会话中重新启用主机。

英文截图显示密码认证与探测成功：256 个 CPU、504 GB 内存、一张 NVIDIA A100 80GB PCIe，并检测到 Slurm 调度器。Configured mode 仍是 Direct SSH，需要手动更改才会使用 Slurm。这些是示例服务器的登录主机资源，不是最低要求，也不代表作业已获调度分配。截图已遮盖主机和账号标识。

检查和维护主机详情

区域或按钮	检查内容
Probe / Retry probe	刷新连接／资源探测；区分 Not probed、Probing、Last probe succeeded、Probe failed
Resources / Login host resources	检测到的 CPU、内存、GPU 和调度器；调度分配另有资源容量
Configuration → Edit	检查认证设置及凭据状态
Test and save	先测试候选认证配置，再保存；更改配置会清除会话启用状态与 Permission Grants。配置未变化时，提示设置已是最新状态
Execution mode → Edit → Save	修改配置模式，并与 Detected scheduler 对照
Details → Edit	更新主机说明；Save 提交，Cancel 放弃
Show more / Show less	展开或收起长说明
Scratch root → Edit	将远程临时工作路径保存为固定值
Restore auto-detection	移除固定覆盖，允许后续探测提供路径
Concurrent job limit → Edit	设置 1–500 的整数，显示的默认值为 10
移除主机	确认前阅读应用删除对话框和活动作业限制

Scratch root 是远程主机路径，不是笔记本电脑上的产物目录。请确认账号可写，并且站点清理规则给收集结果留出足够时间。并发上限不能替代调度器自身的配额或资源限制。

给验证任务单独设置 scratch 目录

打开 Scratch root → Edit，填写服务器规则允许且可写的绝对路径，点击 Save。PINNED 表示后续 Probe 保留该选择。通过首个作业的工作目录和输出确认写入权限。

首次运行可打开 Concurrent job limit → Edit，填写 1 并保存，使应用在该主机上一次只运行一个托管作业。它不预留 CPU、不限制内存，也不会阻止其他用户运行任务；降低上限不会停止已有作业。需要恢复由探测结果决定 scratch 路径时，再使用 Restore auto-detection。

区分主机说明与探测资源

已保存主机说明独立于 Resources。探测成功不会自动生成环境配置说明，说明为空也不表示探测失败。调度策略、环境激活和可复现的配置步骤放在 Details，CPU/RAM/GPU 探测结果在 Resources 查看。

由 Agent 更新说明时，需要先读取已保存文档，再针对该份当前内容精确替换。如果期间发生其他编辑，应重新读取、比较后再试，不要把资源探测摘要当成待替换的说明文档。主机说明约定。

允许任务使用主机

在会话 Agent controls 中检查 Compute Host 的可用状态和选择。被选中的主机必须同时处于启用状态。对于既可本地运行又可远程运行的任务，明确指定主机和执行模式。第一次请求应足够小，便于检查回执、日志和输出，再提交科学计算负载。

Slurm 场景需要向集群负责人确认账号／分区、资源申请、时限、模块／环境设置及临时目录规则。sbatch、squeue、sacct、scancel 可用于调度操作，但命令存在不等于账号有提交权限。

在科研任务前检查主机

阶段	继续前检查
连接	主机探测成功，认证连接有效
Direct 作业	小型已批准任务、退出状态、可读日志与取回输出
Slurm 作业	调度回执/job ID、实际分配资源、最终状态与取回输出
重新连接后恢复	应用对应同一个远程作业，没有重复提交
取消	调度器或进程确认停止，清理前检查保留输出
GPU 负载	除 SSH 外，还要检查所需环境、权重、显存及科学输出

源码核对： 添加主机、认证字段、主机详情、连接校验、会话主机选择。

在远程服务器检查 RNA-seq 数据质量

在远程服务器检查 RNA-seq 数据质量

案例演示 通过 Direct SSH 完成 RNA-seq 质控

将分析从本机移到服务器时，可以使用同一份公开的 GSE60450 计数矩阵。与已知结果对照，有助于区分计算环境问题和科学方法变化。

1. 在研究项目中新建会话，附加原始计数矩阵。
2. 打开 Agent controls → Compute，先启用主机，再将其加入 run targets。启用与选择是两个独立控件；只在 Settings 中注册主机，不会自动为当前会话选择它。
3. 明确要求使用 Direct SSH，指定输入、输出和限制。本例使用一个 CPU 线程、1 GiB 内存上限、120 秒运行时限，使用服务器默认 Python，无需安装软件包。
4. 出现 Allow remote job submission? 时，检查 Host、Intent、Inputs、Execution mode、Timeout 和 Remote workdir。展开 Show full command 阅读完整脚本。Once 只批准这次提交，更大的授权范围会影响后续操作，请按实际需要选择。
5. 保留返回的 Job ID。点击作业标签或 Background tasks 查看该任务。运行期间可以离开会话；不能因为回复结束就再次提交相同任务。
6. 完成后打开 Remote job details，核对 Status、Runtime、Job ID 和 Remote workdir。Refresh 刷新当前视图，stdout 和 stderr 分别查看日志；点击远程工作目录按钮可以打开该任务的远程目录。
7. 等待结果回收与后续回复，再打开已发布的 CSV 和报告。计算完成、文件回收、产物发布是三个阶段，作业完成本身不能证明两份预期文件都已发布。

可直接使用这样的请求：

使用选中的 Direct SSH 主机，对附加的 GSE60450 计数矩阵进行描述性质控，保持输入不变。逐样本计算总计数、零计数基因数、检出基因数和正计数中位数，保存 CSV 及简短方法报告，记录矩阵维度和处理前后的 SHA-256。使用一个 CPU 线程，不安装软件包，运行时限为 120 秒。提交后返回作业 ID，完成后回收并发布结果。不要归一化计数，也不要得出生物学结论。

出现 success 和退出码 0 后，确认应用回收两个输出，且保存表格与报告可以重开。按完整样本标识与公共基准比较指标，并核对远程计算前后的输入校验值。该 Direct SSH 示例已通过这些检查。

下载示例质控表和方法报告。这些原始计数检查不替代归一化、实验设计审查或差异表达分析；正计数中位数不包括零值。

重启应用后返回原作业

打开同一项目和会话，通过 Compute 或 Background tasks 找到作业。操作前将 Job ID 与原始回执对照。恢复的是已存在的远程任务，新建会话或重发请求不能代替恢复。

下图的独立准备检查点在本地应用重启时仍在运行。应用恢复了同一作业 ID，随后收集到完成日志。等待过程正常结束；这张截图验证恢复能力，不表示取消成功，也不表示完成了科学计算。

取消指定的远程任务

打开 Background tasks，选择目标任务，将 Job ID 与提交回执对照。Back 返回当前会话的作业列表。进入详情后点击 Cancel，等待按钮显示 Cancelling，再通过 Refresh 确认状态变为 Cancelled。关闭详情窗口或结束会话回复，都不等于取消远程负载。

下图的准备检查点通过此控件取消，之后独立确认远程进程已不存在，已有日志仍可读取。取消成功不表示该分析已产生完整结果，使用保留文件前应检查内容。

通过 Slurm 提交并核对资源分配

1. 在 Settings → Compute 打开主机，选择 Execution mode → Edit → Slurm → Save，重新打开设置确认。只有 Detected scheduler 显示 Slurm，不会自动切换执行模式。
2. 在目标会话中启用并选中主机。长任务运行前，确认站点允许的分区／账号，以及可读取的调度记账信息。
3. 使用一行一个 #SBATCH --option=value 指令申请资源，本例为：

#SBATCH --partition=local
#SBATCH --cpus-per-task=1
#SBATCH --mem=1G
#SBATCH --time=00:03:00

分区应以自己的站点为准，不要直接套用 local。作业的 120 秒负载运行时限与调度器的三分钟资源分配时限是两个设置，都不决定排队任务何时开始。作业名称、工作目录、stdout 和 stderr 路径由应用管理。

4. 同时保留应用 Job ID 和 scheduler_job_id。调度器 ID 可能晚于首次提交回执出现，可让 Agent 读取已保存作业的状态；不要因首条回执缺少调度器 ID 就重复提交。
5. 对照申请资源与实际分配。本例每任务申请一个 CPU 和 1 GiB，Slurm 记录一个任务、实际分配两个逻辑 CPU。解释资源使用时，应以实际分配记录为准。
6. 确认终态并完成文件回收后，再发布结果。服务器上出现输出文件，不代表应用已经回收该文件。

服务器已完成，但应用仍在等待

如果应用状态快照包含 last_poll_error，保留原作业 ID，并要求显示完整错误。本例遇到的记账错误为：

slurm_poll_failed: Slurm accounting storage is disabled

调度器显示 COMPLETED / ExitCode 0:0，但应用仍为 submitted、result_final false 或没有已回收文件时，保留两个作业 ID 并检查轮询错误。调度器完成和应用结果回收是两个阶段。

请集群管理员提供该账号与作业可用的 sacct 记账查询。squeue 不再列出任务，并不足以证明成功。修复期间保留原工作目录与作业 ID，恢复后检查同一个任务；不要为了清除监控错误而重跑已经完成的分析。Slurm 取消、恢复和应用结果回收，仍需在这一环境条件解决后验证。

在 GPU 上运行小型蛋白序列设计

在 GPU 上运行小型蛋白序列设计

案例演示 在 GPU 上用 ProteinMPNN 设计一个泛素候选序列

使用公开的 1UBQ 泛素结构，让 ProteinMPNN 为链 A 生成一个候选序列。这个例子验证远程 GPU 执行与输出检查；它不会预测新结构，也不会证明候选序列具有泛素功能。

1. 在 Compute 选择已连接主机。检查空闲显存与当前负载，并确认该主机允许直接运行小型任务；需要调度器的集群应使用已授权的队列和 account。
2. 要求代理在独立目录准备环境，保留 Python、PyTorch/CUDA 和依赖清单。示例使用 Python 3.10、PyTorch 2.5.1+cu124、NumPy 1.26.4；默认 Python 原先只有 CPU 版 PyTorch，仅探测到 GPU 不足以运行模型。
3. 使用 ProteinMPNN 官方仓库的固定提交和自带 v_48_020 权重。下载 1UBQ 后记录结构与权重的 SHA-256。
4. 明确参数：链 A、候选数 1、batch size 1、temperature 0.1、seed 42，运行上限 180 秒。检查应用显示的远程命令，再批准该次操作。
5. 要求记录模型参数所在设备及 stdout/stderr、退出码。只有 CUDA available=True 不能证明该次推理实际用了 GPU；示例记录到 parameter_device=cuda:0 与 parameter_is_cuda=True。
6. 检查生成的 FASTA，并用独立代码核对序列长度、氨基酸字符、与原链一致的位点数和分数。计算完成后再次检查输入哈希。

检查项	本例结果
设备	NVIDIA A100 80GB PCIe；模型实际位于 CUDA
输入与输出长度	链 A 与候选均为 76 位
字符与分数	20 种标准氨基酸字符；score / global score 均为有限值 0.8568
原序列一致位点	42/76，独立计算 recovery 为 0.5526316
执行状态	模型和独立验证均返回退出码 0；模型报告生成时间 0.1949 秒，不包含安装和完整任务耗时
输入完整性	结构文件前后 SHA-256 一致

下载本次 GPU 验证记录。80 GB 是测试设备容量，不是这个小任务的最低显存要求；未测量峰值显存。远程日志与输出也不会自动补齐本地 Notebook 的所有证据字段。

本例通过已批准的直接 SSH 命令完成。此前 Slurm 提交返回 InvalidAccount，不能将这次成功写成 Slurm GPU 作业通过。遇到该错误，应核对队列和 account 权限；不要擅自更改调度服务，也不要在要求调度器的集群绕过队列。

处理 SSH 与作业错误

同时阅读错误码及附带消息。连接失败、调度器拒绝和程序执行失败，需要分别处理。下列标识符对应连接分类和计算任务状态，界面可能显示对应描述，而非原始代码。

连接与远程文件

消息或标识符	含义	操作与成功检查
The SSH host key is unknown. Verify it in a terminal before connecting.	系统 SSH 客户端尚未信任该主机和端口的密钥	与管理员核对指纹，在系统 SSH 客户端中建立主机信任，再重试 Add 或 Test and save，不要关闭主机密钥检查
Permission denied (publickey)	SSH 密钥认证失败，远程文件分类将其归为 connection	检查 User、Identity file、主机别名和 ssh-agent；请管理员确认该密钥有权登录。执行 Test and save，再 Retry probe
Connection refused / No route to host / 连接 timeout	SSH 无法到达主机或建立连接	检查主机、端口、网络/VPN 及服务可用性，修正原因后重新测试连接
ENOENT / not_found	远程路径不存在	检查远程主机上的路径，而非本机路径，再打开正确目录或文件
EACCES / EPERM / permission	已登录账号没有对应文件操作权限	请主机管理员确认权限，或选择已授权的 scratch 目录，再重试同一操作
outside_roots	远程文件路径不是绝对路径，或含控制字符，未通过校验	提供无换行和控制字符的远程绝对路径；其他层级拒绝时，继续阅读完整报错

作业记录

错误码	含义	接下来怎么做
approval_denied	操作未获得批准	检查原命令和范围；确定希望授权该工作时，再提出新请求
host_unreachable	应用无法到达主机或确认主机操作	恢复连接并重新探测。可能已提交任务时，先检查远程是否已有作业
invalid_resources	资源参数或 Slurm 指令未通过校验	按报错指出的字段检查格式、集群限制及应用管理的指令限制，修正后再试
dispatch_failed	启动或调度提交失败	阅读 stderr 和 sbatch 提示，检查 partition/account、环境与命令；再次提交前核对有无调度回执
job_failed	作业未成功完成	检查退出码和 stdout/stderr，修正程序或环境后先运行小任务
timeout	连接、命令或作业超过限制；无效 timeout_seconds 也可能返回此码	根据附带消息区分参数错误与真正超时。先核对已有作业状态，再调整时限或重跑
process_vanished	跟踪或恢复时找不到预期进程	检查远程工作目录、日志和调度历史，确认工作停止还是完成后再创建替代作业

last_poll_error 表示监测失败，不能单独据此判定作业最终状态。harvest_error 则表示结果收集遇到问题，计算可能已经完成。保留 job ID，恢复连接并检查原作业，再决定是否重跑。

恢复后应能看到目标作业的最终状态、可解释的退出状态和可访问输出。Slurm 同时检查调度器 job ID 与应用 job ID。仍无法解决时，按提交问题或向社区求助反馈，附执行模式、可用的两类 ID、完整错误及去除敏感内容的日志片段。

使用 SSH 密钥/配置认证时，提供可用密钥或主机别名，先验证连接再提交。Slurm 结果回收需要所选账号具备可用记账查询；应用无法确认作业终态时，按上方步骤检查。

源码：计算错误码与记录字段、SSH/文件错误分类、Slurm 提交校验。