linux集群需按场景选型：高可用用 Keepalived+Pacemaker，HPC 重低延迟网络与 Slurm，容器化优先 kubeadm；基础环境须统一时间、主机名、ssh免密、关闭 SELinux/防火墙 、IO 调优、内核参数； 自动化 推荐 ansible 或 kubeadm；上线后必做最小验证、prometheus监控及elk/Loki 日志集中。
Linux 集群不是搭完就完事，关键得跑得稳、管得住、扩得快。核心是选对场景再动手，别一上来就 堆节点。
明确你要解决什么问题
集群类型直接决定 架构 设计：
- 高可用（HA）集群 ：服务不能停，比如 数据库 主备切换、Web 服务自动故障转移。用 Keepalived + Pacemaker 或 Corosync + DRBD 搭配即可，2～3 台物理机足够起步。
- 高性能计算（HPC）集群 ：跑科学计算、渲染、ai 训练。重点在低延迟网络（InfiniBand 或 RDMA）、统一存储（Lustre/NFS）、作业调度（Slurm 最常用）。别省网卡，万兆起步，交换机要支持 Jumbo Frame。
- 容器化集群（如 K8s）：微服务、CI/CD、弹性伸缩。优先用 kubeadm 或 rancher 快速部署，节点 OS 精简（推荐ubuntu Server 或 Rocky Linux），禁用 swap、配置 cgroup v2、时间同步必须严格（chrony 比 ntpd 更稳）。
基础环境别跳步，5 个细节决定成败
看似简单，但 90% 的集群故障源于这里：
- 所有节点时间必须一致 ：用 chrony 配置统一 NTP 源，server 端加iburst，client 端加makestep，避免启动时时间跳变导致etcd 或 K8s 组件拒绝加入。
- 主机名 +SSH 免密 +hosts 三件套齐备：hostnamectl 设置静态名，各节点互相能 ping 通短名（如node1），~/.ssh/config 配好别名，/etc/hosts 里每行一个 IP+ 全限定名 + 短名。
- 关闭 SELinux 和 防火墙 （或精确放行 端口 ）：临时关用setenforce 0，永久关改/etc/selinux/config；firewalld 如果不开，至少放行 etcd（2379-2380）、K8s（6443、10250 等）、Slurm（6817、6818）对应 端口。
- 磁盘 IO 策略调优 ：SSD 加deadline 或none，HDD 用 cfq；挂载加noatime,nodiratime， 分布式 存储节点建议用 XFS 格式。
- 内核参数预设：/etc/sysctl.conf 里至少加上net.ipv4.ip_forward=1、vm.swappiness=1、fs.file-max=655360，然后 sysctl - p 生效。
自动化部署别手敲，用 工具 省力又防错
手动配 10 台还能忍，20 台起必须上自动化：
- Ansible 最轻量实用：写一个 playbook 统一装 chrony、配 hosts、关 selinux、调内核参数，再按角色分 task（control-plane.yml / worker.yml），一套命令全节点同步执行。
- kubernetes场景直接用 kubeadm + config file：生成 kubeadm.yaml 固化 Pod 网段、证书有效期、containerd 配置，避免每次 init 参数输错。
- HPC 集群用 Ansible + Slurm cookbook：自动部署 slurmctld（控制节点）、slurmd（计算节点）、共享 NFS home 目录，连 sbatch 测试脚本都一起下发。
上线后第一件事：验证 + 监控闭环
集群不是 deploy 完就结束，得看得见、判得准、动得快：
- 立刻跑最小验证流 ：HA 集群切一次 VIP、K8s 集群 kubectl get nodes + 创建一个 busybox pod、Slurm 集群 srun –pty /bin/bash 看能否进计算节点。
- 必接基础监控 ：Prometheus + Node Exporter 抓节点级指标（CPU、内存、磁盘、网络），加 Alertmanager 配 微信 / 钉钉 告警；K8s 再加 kube-state-metrics 和cadvisor；Slurm 用 slurm-exporter。
- 日志集中不靠 grep：用 Fluentd 或 filebeat 把各节点 /var/log/messages、journal 日志推到 ELK 或 Loki，搜索“failed”、“timeout”、“connection refused”能快速定位集群级异常。
基本上就这些。不复杂但容易忽略——先理清目标，再抠实基础，接着用 工具 固化流程，最后让监控替你盯梢。跑起来，再慢慢加功能。
