cluster management
https://slurm.schedmd.com/qos.html
NodeName=X11QPH CPUs=192 Boards=1 SocketsPerBoard=4 CoresPerSocket=24 ThreadsPerCore=2 State=UNKNOWN
NodeName=PowerEdge-R720 CPUs=24 Boards=1 SocketsPerBoard=2 CoresPerSocket=6 ThreadsPerCore=2 State=UNKNOWN
NodeName=s1 CPUs=24 Boards=1 SocketsPerBoard=2 CoresPerSocket=6 ThreadsPerCore=2 State=UNKNOWN
PartitionName=debug Nodes=ALL Default=YES MaxTime=INFINITE State=UP
Job state, compact form: PD (pending), R (running), CA (cancelled), CF(configuring), CG (completing), CD (completed), F (failed), TO (timeout), NF (node failure), RV (revoked) and SE (special exit state). See the JOB STATE CODES section below for more information. (Valid for jobs only)
scontrol reconfig
scontrol show config
图片alt
图片alt
账户配置
# 增加none和test账户并赋予相应权限
sacctmgr add account none,test Cluster=MyCluster Description="My slurm cluster" Organization="USTC"
# 增加test1用户属于test账户
sacctmgr -i add user test1 account=test
QOS：Quality of Service，服务质量，作业优先级
sacctmgr show qos format=name,priority
查看账户关联的QOS
sacctmgr show assoc
sacctmgr show assoc where name=hmli
sacctmgr show assoc format=cluster,user,qos
配置文件
Job Completion Logging
# Job Completion Logging：作业完成记录
JobCompType=jobcomp/filetxt
# 指定作业完成是采用的记录机制，默认为None，可为以下值之一:
# None: 不记录作业完成信息
# Elasticsearch: 将作业完成信息记录到Elasticsearch服务器
# FileTxt: 将作业完成信息记录在一个纯文本文件中
# Lua: 利用名为jobcomp.lua的文件记录作业完成信息
# Script: 采用任意脚本对原始作业完成信息进行处理后记录
# MySQL: 将完成状态写入MySQL或MariaDB数据库
JobCompLoc=/var/log/slurm/jobcomp
# 设定数据库在哪里运行，且如何连接
JobCompHost=localhost # 存储作业完成信息的数据库主机名
# JobCompPort= # 存储作业完成信息的数据库服务器监听端口
JobCompUser=slurm # 用于与存储作业完成信息数据库进行对话的用户名
JobCompPass=SomePassWD # 用于与存储作业完成信息数据库进行对话的用户密码
图片alt
https://cloud.tencent.com/developer/ask/sof/1037834
Job Accounting Gather
JobAcctGatherType=jobacct_gather/linux # Slurm记录每个作业消耗的资源，JobAcctGatherType值可为以下之一：
# jobacct_gather/none: 不对作业记账
# jobacct_gather/cgroup: 收集Linux cgroup信息
# jobacct_gather/linux: 收集Linux进程表信息，建议
JobAcctGatherFrequency=30 # 设定轮寻间隔，以秒为单位。若为-，则禁止周期性抽样
# Job Accounting Storage：作业记账存储
AccountingStorageType=accounting_storage/slurmdbd # 与作业记账收集一起，Slurm可以采用不同风格存储可以以许多不同的方式存储会计信息，可为以下值之一：
# accounting_storage/none: 不记录记账信息
# accounting_storage/slurmdbd: 将作业记账信息写入Slurm DBD数据库
# AccountingStorageLoc: 设定文件位置或数据库名，为完整绝对路径或为数据库的数据库名，当采用slurmdb时默认为slurm_acct_db
# 设定记账数据库信息，及如何连接
AccountingStorageHost=localhost # 记账数据库主机名
# AccountingStoragePort= # 记账数据库服务监听端口
AccountingStorageUser=slurm # 记账数据库用户名
AccountingStoragePass=SomePassWD # 记账数据库用户密码。对于SlurmDBD，这是一个替代套接字socket名，用于Munge守护进程，提供企业范围的身份验证
# AccountingStoreFlags= # 以逗号（,）分割的列表。选项是：
# job_comment：在数据库中存储作业说明域
# job_script：在数据库中存储脚本
# job_env：存储批处理作业的环境变量
# AccountingStorageTRES=gres/gpu # 设置GPU时需要
# GresTypes=gpu # 设置GPU时需要
slurmdbd: error: Database settings not recommended values: innodb_buffer_pool_size innodb_lock_wait_timeout
SET GLOBAL innodb_lock_wait_timeout = 1;
https://slurm.schedmd.com/accounting.html
srun -w s1 hostname
# -w, --nodelist=hosts... request a specific list of hosts
sacct -j 515064 --format=JobID,Start,End,Elapsed,NCPUS
图片alt
https://en.wikipedia.org/wiki/Comparison_of_cluster_software
图片alt
slurmd: error: If munged is up, restart with --num-threads=10
slurmd: error: Munge encode failed: Failed to access "/run/munge/munge.socket.2": No such file or directory
slurmd: error: slurm_send_node_msg: auth_g_create: MESSAGE_NODE_REGISTRATION_STATUS has authentication error
slurmd: error: Unable to register: Protocol authentication error
图片alt
https://blog.csdn.net/muyuu/article/details/119780385
http://hmli.ustc.edu.cn/doc/linux/slurm-install/slurm-install.html
https://blog.wanghaiqing.com/article/9353fb21-cc9a-4acc-a8d2-2c2f7de4a9d6/
gqqnbig
https://www.modb.pro/db/327877
sinfo -e -p <partition_name> -o"%9P %3c %.5D %6t" -t idle,mix
/usr/sbin/slurmd --conf-server admin1:6817
资源
https://hpc.nmsu.edu/discovery/slurm/slurm-commands/
https://hpc.nmsu.edu/discovery/software/modules/
https://modules.readthedocs.io/en/latest/INSTALL.html#installation-instructions
https://ucdavis-bioinformatics-training.github.io/2017-June-RNA-Seq-Workshop/monday/cluster.html
https://bicmr.pku.edu.cn/~wenzw/pages/examples.html
https://docs.hpc.sjtu.edu.cn/system/index.html
https://docs.slurm.cn/users/
https://hpc.sicau.edu.cn/syzn/slurm.htm
https://doc.sist.aaaab3n.moe/job/slurm.html#job-slurm--page-root
NFS的安装
https://blog.csdn.net/m0_59474046/article/details/123802030
https://blog.csdn.net/weixin_44377280/article/details/106965314
https://docs.slurm.cn/users/
sudo apt-get install nfs-kernel-server
sudo apt-get install nfs-common
sudo systemctl status nfs-kernel-server.service
scontrol show node
scontrol show slurm reports
/etc/exports文件内容修改后，需要重启NFS服务器进程才能生效，还有一种使之生效的办法是执行exportfs命令
exportfs命令可用的选型及功能如下：
-a:导出所有列在/etc/exports文件中的目录
-v:输出每一个被导出或取消导出的目录
-r:重新导出所有列在/etc/exports文件中的目录
-u:取消置顶目录的导出，与-a同时使用时，取消所有列在/etc/exports文件的目录导出
-i:允许导出没有在/etc/exports文件中列出的目录或者不按/etc/exports文件所列的选项导出
-f指定另一个文件来代替/etc/exports
-o:指定导出目录的选项
https://blog.csdn.net/weixin_29304021/article/details/116621254
测试资源限制
使用《浅谈Linux Cgroups机制》的C++代码。
#include <unistd.h>
#include <stdio.h>
#include <cstring>
#include <thread>
void test_cpu() {
printf("thread: test_cpu start\n");
int total = 0;
while (1) {
++total;
}
}
void test_mem() {
printf("thread: test_mem start\n");
int step = 20;
int size = 10 * 1024 * 1024; // 10Mb
for (int i = 0; i < step; ++i) {
char* tmp = new char[size];
memset(tmp, i, size);
sleep(1);
}
printf("thread: test_mem done\n");
}
int main(int argc, char** argv) {
std::thread t1(test_cpu);
std::thread t2(test_mem);
t1.join();
t2.join();
return 0;
}
编译并运行
$ g++ -o test test.cc --std=c++11 -lpthread
$ ./test
htop
发现CPU占用为100%，内存慢慢涨到约400MB。（如果htop显示三个test，按H切换到进程模式，就只会显示一个了。）运行srun ./test，内存占用相同。
限制内存
现在实现内存限制。在/etc/slurm-lnl/cgroup.conf写入
CgroupAutomount=yes
MaxRAMPercent=0.1
ConstrainRAMSpace=yes
在/etc/slurm-llnl/slurm.conf写入或修改
ProctrackType=proctrack/cgroup
TaskPlugin=task/cgroup
重启slurmctld和slurmd，确保没报任何异常。这时再运行srun ./test，发现RES被限制在12MB，VIRT则很大，说明内存限制成功。（但我们没有限制虚拟内存）
限制CPU
创建文件test-cpu.py，运行它。test-cpu.py输出CPU的数量，并且创建该数量的线程。
#!/usr/bin/env python3
import threading, multiprocessing
import time
print(multiprocessing.cpu_count())
def loop():
x = 0
while True:
x = x ^ 1
for i in range(multiprocessing.cpu_count()):
t = threading.Thread(target=loop)
print(f'create a thread {i}...', flush=True)
t.start()
ps -eLF | grep test-cpu | sort -n -k9 第9列显示的是test-cpu的线程所在的CPU，发现test-cpu.py运行在数个CPU上。
现在用slurm限制，运行srun -c4 ./test-cpu.py，再运行ps，发现test-cpu.py运行在4个CPU上。
这说明，向slurm申请CPU，slurm就只分配那么多个CPU。虽然multiprocessing.cpu_count()能获取到真实的CPU数量，但无法全部使用。
另外也可以通过scontrol show job来检查-c的设置是否生效。
申请GPU
运行tf-GPU-test.py并申请4个GPU。
srun --gres=gpu:4 python tf-GPU-test.py
import time
if __name__ == '__main__':
# 大概需要300MB内存
arr = [None] * 10000000
time.sleep(10)
for i in range(len(arr)):
arr[i] = i
time.sleep(10)
print('done')
https://stackoverflow.com/questions/52421171/slurm-exceeded-job-memory-limit-with-python-multiprocessing
$ srun --mem=100G hostname
srun: error: Memory specification can not be satisfied
srun: error: Unable to allocate resources: Requested node configuration is not available
我们的机器内存没有100G，所以该任务无法运行。把命令改为srun --mem=10M hostname就可以运行。同时也发现，--mem并不限制任务本身的内存占用。
问题
图片alt
configure: WARNING: *** mysql_config not found. Evidently no MySQL development libs installed on system.
libmysqlclient-dev