我们的鲲鹏计算集群有32个节点，每个节点双路鲲鹏920，操作系统是openEuler，调度器用的是Slurm。集群部署完成之后，提交测试作业时一切正常，但开始正式跑任务没多久就出问题了。用户反映提交的作业长时间处于PD（待运行）状态，squeue看原因是资源不足，但实际用sinfo查看节点状态，大部分节点都是空闲的。偶尔重启slurmctld服务后，那些卡住的作业能正常调度出去，但运行一段时间后又会复现。查看slurmctld日志，能看到大量类似“节点未响应”、“注册超时”的警告信息，但这些节点通过ping和ssh都是正常的。我们检查过时钟同步，ntp服务运行正常，所有节点的时间差在毫秒级别。也试过调整Slurm的节点健康检查超时参数，问题仍然存在。想请教这种现象在鲲鹏集群上是否常见，应该从哪个方向去排查。