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。
