在打印窗口把「目标」选为「另存为 PDF」即可保存,页面已带 awsgood.com 版权水印。 返回原文

www.awsgood.com

AWS ParallelCluster 一个月多少钱?账单监控与防超支配置

2026-11-20 AWS 价格计费 约 5 分钟

先说结论

账单由哪几块拼出来,各花多少

ParallelCluster 本质是 CloudFormation 模板加 Slurm 调度器加一堆生命周期脚本。没有 license 费用,所以每一分钱都能在 Billing 里对上一个具体资源。

头节点默认 7×24 运行,扛着 slurmctld 和 pcluster CLI。m5.xlarge 按需约 0.19 美元/小时,一个月一百四十美元出头,折合一千块人民币。它是整个集群的单点,别为了省钱换成 t3.small,配置一多就卡。

计算节点由 Slurm 按队列需求动态起停,默认 scaledown_idletime 是 10 分钟。作业跑完节点还要空转 10 分钟才关。批处理队列我一般调到 3 分钟,交互式调参的保留默认。

存储分两块。共享 EBS 按 gp3 约 0.08 美元/GB-月;FSx for Lustre 的 Scratch 型 1.2TB 大约一百多美元一个月,有最小容量和最低计费时长,开了就按小时算。还有两个常被忘的:NAT Gateway 按小时加流量计费,CloudWatch Logs 按 GB 收摄入费,中等集群光这两项每月几十美元很常见。

资源 计费方式 单价量级 每月量级(720h) 备注
m5.xlarge 头节点 按需 ~0.19 USD/h ~140 USD(约 1000 元) 7×24 常开
c5.2xlarge 计算节点 按需 ~0.34 USD/h ~245 USD 仅在作业期间计费
c5.2xlarge 计算节点 Spot 折价 60%~90% ~25~100 USD 可能被回收
c5n.18xlarge 按需 ~3.9 USD/h ~2800 USD(约 2 万元) 大规模 MPI
FSx for Lustre 1.2TB Scratch 按容量 ~0.145 USD/GB-月 ~170 USD 有最低计费周期
gp3 共享存储 500GB 按容量 ~0.08 USD/GB-月 ~40 USD 删集群时注意清理

p4d.24xlarge 按需约 32 美元/小时,跑一天就是七百多美元。训练类作业用 Spot 加 checkpoint 是常规打法,但 checkpoint 写 FSx 太频繁,FSx 写入吞吐反而先成瓶颈,得按实际容错粒度调间隔。

国内团队多数把集群放在 ap-northeast-1 或 ap-southeast-1,单价比 us-east-1 高一截。控制台切中文后 Budgets 里几个字段名跟英文文档对不上,搜官方文档时用英文关键词更准。

账单监控的三层防线怎么配

第一层 Budgets,按服务维度卡总盘。很多人只填一个总金额,结果 EC2 没超、FSx 超了,告警一声不响。

cat > budget.json <<'EOF'
{
  "BudgetName": "pcluster-monthly",
  "BudgetLimit": {"Amount": "1500", "Unit": "USD"},
  "TimeUnit": "MONTHLY",
  "BudgetType": "COST",
  "CostFilters": {
    "Service": [
      "Amazon Elastic Compute Cloud - Compute",
      "Amazon FSx",
      "Amazon Elastic Block Store",
      "Amazon Virtual Private Cloud"
    ]
  }
}
EOF
aws budgets create-budget 
  --account-id 123456789012 
  --budget file://budget.json 
  --notifications-with-subscribers file://notify.json


阈值我设两级:实际花费到 50% 发邮件,到 85% 发短信。预测值到 100% 再加一条,这条比实际值更早救命,因为它是按当前速率往后推的。

第二层 CloudWatch 告警,盯 EC2 累计运行小时数。Budgets 是日级更新,延迟大;CloudWatch 指标分钟级,能抓到“昨天夜里某个队列没缩容”这种事。按 AutoScalingGroup 维度拉 `CPUUtilization` 和实例数曲线,掉不下来的那条就是元凶。

第三层自动停用。前两层都靠人看,半夜两点没人盯邮件。用 EventBridge Scheduler 每天 20:00 触发一个 Lambda,把带 `parallelcluster:cluster-name` 标签的 EC2 实例 stop 掉,次日 8:00 再 start。

注意这条别直接上生产队列,停头节点会切断正在跑的作业。可以先只对 head node 生效,计算节点交给 Slurm 自己缩容。

## 实测与踩坑:FSx 卡住删除,账单多挂两周

2025 年 11 月给一个做仿真计算的团队做代维,他们把测试集群删了,第二个月账单里还有一百多美元的 FSx 在跑。上去一查,`aws fsx describe-file-systems` 里那个 fs-xxx 状态是 AVAILABLE,创建时间还是两个月前。

`pcluster delete-cluster` 当时报的是这行:


Deleting cluster failed. Cluster stack my-hpc-cluster did not delete successfully.
Reason: Resource deletion failed. The FSx file system fs-0a1b2c3d4e5f67890
cannot be deleted while it has mount targets.


FSx 挂在两个子网的 ENI 上,CloudFormation 先删了安全组,ENI 残留,文件系统就卡在删除链路里。第一版配置的错误在于我以为删集群会把 FSx 一起带走——它不在栈的生命周期内,`DeletionPolicy` 对它不生效。

验证方法很土但有效:Billing → Cost Explorer,按 Service=FSx 分组,时间拉到 30 天,那条稳定的小时级计费曲线说明它一直活着。手动删 ENI 再删文件系统,前后花了 40 分钟。

后来所有集群我都加一条规矩:删集群前先 `aws fsx describe-file-systems` 确认一遍,第二天再回 Cost Explorer 看费用有没有归零。这类删除残留和预算漏配的排查,我们 awsgood.com 的代运维里有一份固定核对清单,逐项过一遍比凭记忆靠谱。

## 什么情况下不要用 ParallelCluster

- 单机跑两小时就完的活。花半天配集群、调队列,时间成本远超省下的机器钱。
- 作业之间几乎不通信的纯参数扫描。Batch 加 Step Functions 更省心,Slurm 的调度优势体现不出来。
- 团队里没人写 Slurm 脚本、也没人愿意维护。集群的运维负担会盖过成本收益。
- 项目周期短于一周。建集群、配 FSx、调队列的时间跟跑作业差不多长。

## 常见问题

**ParallelCluster 本身收费吗?** 不收,它是开源工具,账单全部来自底层 AWS 资源。

**只跑白天作业怎么省?** 头节点配定时启停,计算节点走 Spot,`scaledown_idletime` 调到 3 分钟。

**Spot 被回收作业会丢吗?** Slurm 会把作业重新排队,前提是脚本能 checkpoint 续跑。不能续跑的计算别放 Spot 队列。

今晚能先做的一件事:把 Budgets 按上面那份 JSON 建起来,金额填你上个月实际花费的 1.2 倍,`Service` 列表照抄,明天再回来看预测值那条线。

## 参考来源

- [What is AWS ParallelCluster](https://docs.aws.amazon.com/parallelcluster/latest/ug/what-is-aws-parallelcluster.html)
- [Working with clusters(集群创建与删除)](https://docs.aws.amazon.com/parallelcluster/latest/ug/working-with-clusters.html)
- [Managing costs with AWS Budgets](https://docs.aws.amazon.com/cost-management/latest/userguide/budgets-managing-costs.html)
- [Amazon FSx for Lustre 定价](https://aws.amazon.com/fsx/lustre/pricing/)

常见问题

ParallelCluster 的集群删掉后还会继续产生费用吗?
会。FSx for Lustre、残留的 EBS 卷和 NAT Gateway 不随 CloudFormation 栈一起销毁。删完集群后去 Cost Explorer 按服务分组看次日费用是否归零,是最直接的确认方式。
头节点能不能用 Spot 省钱?
不建议。Spot 回收会同时打断 slurmctld 和正在提交的作业,恢复后队列状态可能不一致。头节点成本占比通常不到两成,省这点钱不划算,把优化精力放在计算节点上。
预算告警设了但从来没触发过,是什么原因?
最常见是 CostFilters 只写了总金额或只过滤 EC2。FSx、NAT Gateway、CloudWatch Logs 的花费不在过滤范围内,自然不触发。按 Service 维度逐项列全,再配一条不带过滤的总盘兜底。
计算节点一直不缩容,怎么排查?
先看 `squeue` 里是否有 PENDING 或 COMPLETING 的作业卡住,再查 `scaledown_idletime` 配置。节点上残留的用户进程也会让 Slurm 判定为忙,登录节点 `ps -ef` 看一下就清楚。
小团队跑一次仿真,用 ParallelCluster 还是直接开 EC2?
单次任务、机器数少于 4 台,直接开 EC2 装 OpenMPI 更快,按小时计费结束后手动停。需要反复提交、要排队管理、要多人共用才值得上集群。
Spot 中断频率大概什么水平?
取决于机型容量池和区域,c5 系列在 us-east-1 通常能连续跑几小时到几十小时。把队列拆成多个机型多个可用区的容量