EPIC-Slurm-Cluster

Developer Doc（深度维护者 / 开发者）

面向后续维护者：IApp/配置开发、提交与发布、规范与最佳实践。
弄不动了，自行查阅，以后再说。Link

1) 仓库结构（建议）

repo/
├─ apps/ # IApp（Batch Connect）目录
├─ docs/ # 本文档（GitHub Pages /docs 路线）
├─ .github/ISSUE_TEMPLATE/ # Issue 表单模板（已配置）
├─ README.md # 仓库首页
└─ _config.yml # GitHub Pages 主题（可选）

2) IApp 约定与最小开发流程

• 表单尽量少字段、能跑就好；复杂参数暂不暴露给用户。
• 资源选择遵循平台策略（CPU 不排队、GPU 排队）；避免过量默认值。
• 目录/日志：优先 $PWD 或 $HOME，避免写 /tmp 丢失。
• 新增/修改 IApp 的 PR 应包含：
  • 可复现步骤（含分区/GPU 设置）
  • 失败路径与日志定位方式
  • 文档对应段落的最小增量更新（在 /docs 中）

如需邮件通知（作业开始/结束/失败），可在 submit.yml.erb 使用 Slurm 原生参数：

script:
  native:
    - "--mail-type=BEGIN,END,FAIL"
    - "--mail-user=<your@email>"

3) 文档维护规范（超轻量）

• 使用Markdown。
• 相同功能合并到一页，避免碎片化。
• 每次改 IApp/策略，同步改 docs 对应段落；PR 里一起评审。

4) 监控与调优（基础）

• 统计报表已上线（Prometheus/Grafana）；当前不设配额。
• 关注指标：GPU/CPU 利用、队列等待、磁盘使用热度。
• 如需自定义告警/Rule/Panel，建议以独立 PR 附上导入 JSON。

5) 禁止事项（再次强调）

• 严禁更改/更新任意 NVIDIA 驱动、CUDA、Fabric Manager 等底层组件。
• 未公告前不要在系统级安装 Docker / runtime（后续统一上线，大概会）。

6) Roadmap（示例，按需维护）

• 统一存储落地与迁移指引
• 容器化运行环境（Docker/Singularity）策略
• IApp 表单精简与默认值优化
• 监控与告警规则完善