SOP — slurm_ins 残余三处只读探测批量化 + 附录 B 过度声称更正

主题目录：slurm_ins/probe_batch_residual_20261008/｜执行日期：2026-10-08｜类型：C 类（改实现体 + 修文档） 触发：再次核实「slurm_ins 侧效率是否已完全做完」时，发现主链路已完成、但仍有 3 处残余， 且 sync_status_concurrency_20261007/SOP.md 附录 B 的「9 条探测路径全部已批量」属过度声称

1. 背景

只读审计（file:line 复核 + 官方遮蔽检测）结论：

1. 主链路已完成：slurm_deployer / submit_node_deployer / node_env / module_env / health_ensure.sync_status / user_mgmt.sync_status / local_scratch / storage_layout.probe_mount|tier0 均已「主机内拼一条 shell + 主机间并发 + 进程内缓存」。基类 deployer.py 的 _query_cache / _kv_script / _parse_kv / _remote_query_many / _run_per_host 齐全。
2. 残余 3 处（本次收掉）：
3. scratch_gc_deployer.py：_probe_file（每文件一条）+ _probe_timer（一条）主机内逐条； 自有 _query 未接基类缓存；pre_check 每台 3 条裸查询串行未并发；
4. storage_layout_deployer.py::_probe_node：组目录齐备判定按 for item × for grp 逐条 remote_query （而 _probe_group_dirs 早已是一条 shell 批量，dry-run 却没用它）；
5. user_mgmt_deployer.py::pre_check：每台 5 条串行；health_ensure_deployer.py::pre_check：每台 2 条。
6. 文档问题：附录 B 把上述说成「全部已批量」，与实现体不符（曾据此误判过一次）。

2. 目标

#	目标	判据
1	scratch_gc：sync_status 每台一条 shell；pre_check 每台一条 shell + 并发	命令数下降；变更清单逐条一致
2	storage_layout：组目录判定复用已批量的 probe_group_dirs（N 条 → 1 条）	同上
3	user_mgmt / health_ensure：pre_check 每台一条 shell + 并发	同上
4	命令文本单一来源（缓存键是 (host, cmd)，文本漂移即预取白做）	离线自测断言「命令文本逐字未变」
5	更正附录 B 的过度声称	与代码一致，不再误导

3. 前置条件

• 工程根 /home/rain/Documents/slurm/slurm_ins，.venv 可用；
• 到节点（.16–.20）的 SSH 凭据沿用 config/slurm_deploy.yaml；本次上机前实测三台 .16/.17/.18 免密可达；
• 变更前完成 5.1 备份；验证全程 --dry-run（只读，不下发任何变更）。

4. 影响范围

项	内容
变更对象	scratch_gc_deployer.py、storage_layout_deployer.py、user_mgmt_deployer.py、health_ensure_deployer.py；sync_status_concurrency_20261007/SOP.md 附录 B；docs/HANDOFF.md
改的是什么	只改只读探测的“打包方式”；判定表达式、变更记录的顺序/内容、变更类命令均不动
是否停服	否；验证全程只读
回滚风险	低：改动集中在探测路径，且附离线自测 + 上机新旧对照（清单逐条一致）

5. 分步操作

5.1 备份（前置）

TOP=/home/rain/Documents/slurm/slurm_ins/probe_batch_residual_20261008
mkdir -p "$TOP/backup"
cd /home/rain/Documents/slurm/slurm_ins
cp -a scratch_gc_deployer.py storage_layout_deployer.py \
      user_mgmt_deployer.py health_ensure_deployer.py "$TOP/backup/"

5.2 scratch_gc：探测命令抽为单一来源 + 每台一条 shell

# 概念等价：命令文本只在一处定义（缓存键才稳定）
# _file_probe_cmd(path)  -> "if [ -f {path} ]; then sha256sum ...; else echo __MISSING__; fi"
# _timer_probe_cmd(name) -> "e=$(systemctl is-enabled ...); a=$(systemctl is-active ...); printf '%s|%s' ..."
# _judge_file(ok, out, sha) / _judge_timer(ok, out)  ← 纯函数，单条与批量共用
# _probe_file/_probe_timer                          ← 保留，供 health_check 复用
# sync_status._probe：{f0..fn} + timer 拼一段 shell，_kv_script 回传，_parse_kv 拆回
# pre_check：{ssh, systemctl, uid} 拼一段 shell + _run_per_host 并发

坑：scratch_gc 的 _query 返回 (ok, stdout) 三态，与基类 _remote_query 语义不同，有意保留、不得合并； 改造只在「命令文本来源」与「打包道数」上，判定逻辑（_judge_*）逐字照搬。

5.3 storage_layout：组目录判定复用 probe_group_dirs

# _probe_node：dirs_ok 由「每 item × 每组成员一次 remote_query」改为
#              all(probe_group_dirs(host, mp).get(grp) for grp in ldap_groups)
# 注：probe_group_dirs 原是 _probe_group_dirs（私有），本次提为公开同名（与 _ensure_content_dirs 同源）

等价性：目录缺失时 probe_group_dirs 的值为空串 → 与旧 [ -d ... ] && echo yes != yes 同判； 旧实现遇首个缺失即 break（条数 ≤ N），新实现一次取回全部组（恒 1 条），判定结果一致。

5.4 user_mgmt / health_ensure：pre_check 每台一条 shell + 并发

# user_mgmt：{ssh, conf, slurmctld, sacctmgr, ldapsearch[, ldap]} 拼一段 shell + _run_per_host
#            问题清单的「追加顺序与判据」保持原样
# health_ensure：{ssh[, conf]} 拼一段 shell + _run_per_host；主控 {state, sshcli} 合并为一次往返

5.5 离线自测（上机前）

cd /home/rain/Documents/slurm/slurm_ins
.venv/bin/python -m py_compile \
  scratch_gc_deployer.py storage_layout_deployer.py \
  user_mgmt_deployer.py health_ensure_deployer.py && echo COMPILE_OK
.venv/bin/python probe_batch_residual_20261008/selftest.py

预期：COMPILE_OK + RESIDUAL_BATCH_SELFTEST_OK（25 项）。 坑：本工程用相对导入，自测须以 slurm_ins.<mod> 导入；载入 backup 旧模块时名字带包前缀 slurm_ins._old_*。

5.6 上机新旧对照

cd /home/rain/Documents/slurm/slurm_ins
mkdir -p /tmp/new4 && cp scratch_gc_deployer.py storage_layout_deployer.py \
  user_mgmt_deployer.py health_ensure_deployer.py /tmp/new4/          # 留住新版
cp probe_batch_residual_20261008/backup/{scratch_gc,storage_layout,user_mgmt,health_ensure}_deployer.py .
for f in --storage-layout --user-mgmt --health-ensure --scratch-gc; do
  .venv/bin/python main.py --config config/slurm_deploy.yaml $f --dry-run >/tmp/old.log 2>&1; done
cp /tmp/new4/*.py .            # 还原新版；务必 cmp 校验
for f in scratch_gc_deployer.py storage_layout_deployer.py user_mgmt_deployer.py health_ensure_deployer.py; do
  cmp -s $f /tmp/new4/$f || echo "RESTORE_FAIL $f"; done

6. 验证

验证一：语义等价（离线） —— RESIDUAL_BATCH_SELFTEST_OK： - scratch_gc：文件/timer 判定穷举等价（2×5 与 2×7 组合）；命令文本逐字未变； 批量闭环「4 文件 + timer → 每台仅 1 条远端调用」，缺失→pending、连接失败→unknown 皆覆盖； - storage_layout：三种目录存在性下 dirs_ok 等价，命令数 N → 1。

验证二：命令数与墙钟（上机 --dry-run，新旧各一轮）【已确认】

子命令	命令数（旧→新）	墙钟 ms（旧→新）	变更记录	rc
--scratch-gc	57 → 13（-77.2%）	7566 → 1871（-75.3%）	18 = 18	0/0
--storage-layout	108 → 49（-54.6%）	8166 → 3608（-55.8%）	19 = 19	0/0
--user-mgmt	33 → 12（-63.6%）	4982 → 2014（-59.6%）	6 = 6	0/0
--health-ensure	46 → 36（-21.7%）	11543 → 8387（-27.3%）	5 = 5	0/0

取数口径：命令数 = 该轮日志中 [RET: <数字>] 行数（真实远端命令执行行； 普通日志行的 [RET: N/A] 不计）；墙钟 = 端到端 date +%s%3N 差值（含 Python 启动）。

验证三：变更清单逐条一致【已确认】 —— 四个子命令新旧两轮日志的 变更记录: 明细 diff 为空（scratch_gc 18 / storage_layout 19 / user_mgmt 6 / health_ensure 5 条逐条一致）。

失败判断：变更记录出现实质差异、或 py_compile / 自测失败 → 按第 7 章回滚。

7. 回滚

cd /home/rain/Documents/slurm/slurm_ins
BAK=probe_batch_residual_20261008/backup
cp -a $BAK/scratch_gc_deployer.py $BAK/storage_layout_deployer.py \
      $BAK/user_mgmt_deployer.py $BAK/health_ensure_deployer.py .

• 回滚后验证：py_compile + 各子命令 --dry-run（命令数回到旧值、变更记录条数不变）。
• 触发条件：清单出现实质差异；子命令报错；py_compile / 自测失败。

8. 风险说明

风险	缓解
命令文本漂移 → 探测缓存不命中（白做）	文本抽为单一来源（_file_probe_cmd / _timer_probe_cmd）；离线自测逐字比对
scratch_gc._query 三态语义被误并入基类	明确保留自有 _query；只在打包与文本上改造
组目录判定改 probe_group_dirs 后语义漂移	all(dir.get(grp)) 与旧 break 结果等价；离线自测三种情形验证
pre_check 合并后问题清单顺序变化	保持 append 顺序与判据原样；上机 diff 清单为空
临时用 backup 覆盖工作区忘记还原	5.6 全程 cp + cmp 校验，输出 RESTORE_OK

附录 A 交付物清单

文件	说明
SOP.md	本文件
selftest.py	离线自测（判定等价 / 命令文本未变 / 批量闭环 / 组目录等价）
backup/	4 个改造前文件快照
backup/README.md	备份台账
变更的工程文件	scratch_gc_deployer.py、storage_layout_deployer.py、user_mgmt_deployer.py、health_ensure_deployer.py
修正的文档	sync_status_concurrency_20261007/SOP.md 附录 B、docs/HANDOFF.md

附录 B 残余项存量（截至本次）

工程	状态
slurm_ins（本工程）	本次收尾：主链路 + 上述 3 处均已完成；遮蔽检测 0/0
其它挂载 precheck_module 的工程	【2026-10-11 结案】 遮蔽检测已扫：lsf_ins / lustre_ins / k8s_ins / eda_tools_ins / harbor 均 0 处版本落后
其它待批量化工程	【2026-10-11 结案】 属其它工程的独立优化，不在 slurm_ins 效率改造范围；如需推进另立变更（可参考 conn_reuse_20261007/SOP.md）

---

来源：/home/rain/Documents/slurm/slurm_ins/probe_batch_residual_20261008/SOP.md ｜ 最后更新：2026-10-11 21:15（由 build/sync.py 同步，请勿在站点侧修改）