仿真许可排队如何改善？任务分级、错峰与容量分析

评审前一周，仿真群里又刷屏了，翻来覆去就仨字——"跑不上"。IT 说许可满了，HPC 那边说节点也排着，两边一摊手，谁都说不是自己的锅。采购已经试探着问，要不要再加一批 token。

我每次听见"再加"这俩字就头疼。加了三年了，评审前照样堵。

先把"等"这个字拆开，别糊着看

仿真这块的排队，从来不是一条队，是两层叠在一起。作业先扔进调度器里等核，排到了才去许可服务器 check out 求解器的 feature 或者 token；也有的环境反过来，许可先签下来了，算力没排上，那几个 token 就那么干挂着，别人谁也拿不走。

所以用户说"我等了两小时"，你得先问清楚：等的是核，还是等的是 license。这两层的日志压根不在一处，一个在作业调度那边，一个在许可服务器的 checkout / denial 记录里，不分开看，后面怎么调都是瞎调。

还有口径。采购嘴里的"买了多少套"、终端清单里的"装了多少台"、登录过的人数、同一时刻的峰值并发，四个数都对，但不是一回事。不先统一软件、模块、用户、时间范围，扩容、调度、回收、整改全没有共同起点。治理目标说白了就三样，可解释、能复核、业务那边还肯接受，而不是把某个数字刷漂亮。只把利用率提上去、让关键工程师天天被打断，或者只图零投诉、长期养一堆闲置，两头都不算成。

我见过最烦的几种

• 评审、冻结、出报告那几个节点，全组同一天交算例，不堵才怪
  
• 同一个算例跑挂了，改个作业名又交一遍，甚至同时挂三份，纯粹自己挤自己
  
• 界面开着下班不关，feature 占一整夜，CPU 和 IO 基本是零
  
• overnight 的长任务确实该占，但跟临时插队的混在一个池子里，没人分得清
  
• 借出去的离线许可，人回来了不还
  
• 日志只有汇总，回不到具体账号、模块、作业号，知道周五下午堵了，不知道谁堵的
  
• 当前状态把历史盖了，上季度那次整改现在解释不了
  
• 口头插队，"这个先给我跑一下"，过后谁都不认

头两天，什么都别改

拉至少一个完整业务周期的数据，项目型的还得盖住关键节点，淡季平均值最会骗人。

要的是三样时间戳，任务提交、真正启动、跑完，一个都别少（少一个你就分不清是排队还是跑得慢）。把许可等待和算力等待分开标，能下钻到设备、账号、模块、作业号，光一个总数没用。失败重试和重复任务单独拎出来，得跟合同、业务排期交叉看，技术日志自己定不了结论。

导完表抽样回读源系统，人工合并粘错行这种事我见太多了。跨部门评审只认同一份底稿，IT、采购、法务、业务各拿各的数，会开一天也是白开。查不明白的，标"待补证据"搁着，别拿推测填。

缓过来之后，手上能先干的

紧急和普通分两条队列，关键节点那几个走白名单，纸质审批留着，别再用口头授权。能延后的算例错峰到夜里或者周末，先定影响范围和回退方案，再排执行窗口，先拿一个组试一周，别一上来全铺。无效重试直接拦——同一作业号短时间内重复提交不让过，失败原因先分类再放人重交，这一条省下来的比买 token 多。长任务统一走预约窗口。然后拿项目计划做容量预测，别等堵了再拍脑袋。每改一次规则，记下改了什么、为什么、前后指标变多少，版本和理由留着，审计时救命。

动之前通知到人，动之后收重新申请和异常反馈。命令返回 success 不算完，得回头看业务那边是不是真不堵了。

再往后才轮到系统

许可优化这类东西，能把软件发现、许可日志、账号分配、整改记录归到一个视图，也一直记着许可拒绝率这类证据。但它不替你定谁插队，更不替你批钱。合同怎么解释、对外怎么承诺，那是法务或有资质的专业人员的活，别让 IT 顺手签了。

我一般就盯四个数

平均排队时长，任务准时完成率，许可拒绝率，重复任务比例。分子分母加异常样本都留着，拒绝率和重复比例必须能下钻，汇总一变你才知道往哪查。至少连着看两个复盘周期再决定要不要扩策略。指标突然变好，先怀疑采集覆盖和口径变了，别急着报喜。

最烦的几种做法

单日单次报错当长期趋势。没做供需分析就先采购或者强制回收。四个口径混着算利用率。还有那种没责任人、没完成时间、没回读验证的"改进"，人一换项目一变，立刻回原样。

上回那家做结构件的

买了 24 个求解 token，还有一套显式动力学的，评审前平均排队九十多分钟，一天十几次 denial，采购准备加到 36。

拉了一个季度日志。往下钻才发现，有 6 个作业是许可已经签到了、HPC 那边核没排上，token 干挂着白占；4 个是同一算例跑挂了改名重交，最狠的一个挂了三份；还有 3 个界面，从下班挂到第二天早上，一点动静没有。真正在算的，峰值也就 17。

改法很土。调度器侧加了个许可预检，拿不到核就别先签 token；紧急和普通分两条队列，冻结节点那几个走白名单；同一作业号半小时内的重复提交直接拦；闲置 6 小时提醒、8 小时回收，跑了 8 小时以上的自动进白名单。

两个月后平均排队落到二十来分钟，准时完成率上来了，那一年续费一个 token 没加。中间出过一次岔子，一个 overnight 的显式任务被回收了，重跑了一整晚，从那以后长任务全部走预约窗口，回收脚本对带预约标记的一律跳过。