SISTEMA GESTOR DE RECURSOS

SLURM Workload Manager

Es un sistema de programación de trabajos y gestión de clústeres de código abierto, tolerante a fallas y altamente escalable para clústeres Linux grandes y pequeños.

Como administrador de carga de trabajo de clúster, Slurm tiene tres funciones clave. Primero, asigna acceso exclusivo y / o no exclusivo a los recursos (nodos de cómputo) a los usuarios durante un período de tiempo para que puedan realizar el trabajo. En segundo lugar, proporciona un marco para iniciar, ejecutar y monitorear el trabajo (normalmente un trabajo paralelo) en el conjunto de nodos asignados. Finalmente, arbitra la contención de recursos mediante la gestión de una cola de trabajo pendiente.

SLURM es el gestor de colas instalado en muchos de los súper computadores del TOP500, y también en el clúster del NLHPC. Si Ud. quiere lanzar tareas dentro de Leftaru, debe hacerlo a través de Slurm.

Conceptos clave

SLURM gestiona trabajos de usuario que tienen las siguientes características clave:

• Conjunto de recursos solicitados:
  • Número de recursos informáticos: nodos (incluidas todas sus CPUs y núcleos) o CPUs (incluidos todos sus núcleos) o solo núcleos
  • Cantidad de memoria: por nodo o por CPU (lógica)
  • Tiempo necesario para que las tareas del usuario completen su trabajo
• Una partición de nodo solicitada (cola de trabajos)
• Un nivel de calidad de servicio (QoS) solicitado que otorga a los usuarios accesos específicos
• Una cuenta solicitada con recursos limitados

De manera predeterminada, los usuarios envían trabajos a una partición particular (marcada como tal para todos los usuarios) y bajo una cuenta particular (preestablecida por usuario).

Particiones SLURM

Nombre Particion	Nodos	CPUs	RAM	Descripción
main	27	256	768GB
general	48	44	187GB
largemem	9	44	765GB
v100	2	44	187GB	4 GPUs Nvidia Tesla V100.
mi100	1	128	502GB	2 GPUs AMD Instinct MI100.
mi210	2	24	1457GB	6 GPUs AMD Instinct MI210.
debug	2	48	768GB	Destinados a pruebas de máximo 30 minutos.

Introducción a los comandos slurm

Comando SLURM	Descripción
srun	ejecutar un comando en nodos de cómputo asignados.
sbatch	presentar un script de trabajo
squeue	Mostrar estado de los trabajos en la cola.
scancel	eliminar un trabajo.
sinfo	Muestra el estado de los nodos de cómputo.

Estos son los comandos básicos utilizados para realizar la mayoría de las operaciones básicas con SLURM.

Estado de nodos

Para consultar el uso de nuestra infraestructura y qué particiones están más libres, le recomendamos el comando sinfo:

# sinfo<small>
PARTITION AVAIL  TIMELIMIT  NODES  STATE NODELIST
main*        up   infinite      1  idle mn[016,018]
main*        up   infinite     21    mix mn[001-003,005,007-011,013,015,017,019-027]
main*        up   infinite      4  alloc mn[004,006,012,014]
general      up   infinite      1  drain sn041
general      up   infinite     16    mix sn[005-007,012-015,019-021,030-031,043-048]
general      up   infinite     31  alloc sn[001-004,008-011,016-018,022-029,032-040]
largemem     up   infinite      1    mix fn006
largemem     up   infinite      8  alloc fn[001-005,007-009]
debug        up   infinite      2   idle leftraru[1-2]
v100         up   infinite      2    mix gn[001-002]
mi100        up   infinite      1   idle gn003
mi210        up   infinite      1    mix gn004
mi210        up   infinite      1   idle gn005</small>

Fijándose en el texto resaltado de la salida del comando sinfo, se puede comprobar que en la partición main hay 20 nodos que están completamente ocupados (estado alloc), 7 nodos que están libres (idle); por otro lado, en la partición general hay 22 nodos completamente ocupados, 4 parcialmente ocupados y 22 libres. Dado este escenario, está claro que debería de lanzar sus ejecuciones en los nodos de la partición general, por las razones anteriormente expuestas.

Para lanzar en la partición general, debe tener en cuenta que tiene que indicar en su script que se use dicha partición en vez de, probablemente, main. Por supuesto, en esta partición cambian las características técnicas, se pasan a tener 44 cores por nodo (en vez de 256 en main) y una capacidad RAM de 187GB (en vez de 768GB en main). Puede ver más información de las particiones en este link(agregar link), donde podrá revisar que con la inclusión de Guacolda hemos añadido nodos con hasta 765GB de memoria RAM y nodos con GPUs Nvidia Tesla V100 y AMD Instinct MI100 .

Para ver los nodos disponibles y poder determinar en que partición lanzar los trabajos se recomienda utilizar el siguiente comando.

[prueba@leftraru1 ~]$ sinfo -o "%10P %6D %10t %10m %c" -t idle| egrep "PARTITION|main|general|largemem|v100|mi100|mi210"
PARTITION  NODES  STATE      MEMORY     CPUS
PARTITION  NODES  STATE      MEMORY     CPUS
main*      2      idle       727000     256
general    0      n/a        0          0
largemem   0      n/a        0          0
v100       0      n/a        0          0
mi100      1      idle       485000     128
mi210      1      idle       1457000    48

El comando anterior muestra que main tiene 27 nodos libres, en este caso es recomendado lanzar en en main para evitar que el trabajo quede en cola por falta de recursos en otros nodos.

Otro Ejemplo, se muestra sólo una partición específica

[prueba@leftraru1 ~]$ sinfo -p main
PARTITION AVAIL  TIMELIMIT  NODES  STATE NODELIST
main*        up   infinite     15    mix mn[001-008,014-020]
main*        up   infinite     12   idle mn[009-013,021-027]

Comprobación del estado de tareas

squeue - Muestra el estatus de los trabajos

squeue                  # tus trabajos
squeue -u <username>    # trabajos por usuario <username>

squeue: Comprobar estados de los trabajos

  JOBID        PARTITION     NAME     USER    ST       TIME  	NODES 	NODELIST(REASON)
13951858_1     general	     test1    test1    R   1-18:35:14      2    cn[009-010]
13951857_2     general       test2    test1    R   1-18:36:11      2    cn[099-100]
13956453       gpu           test3    test3    R   1-03:42:08      1    cn039
13956449       largemem      test4    test4    R   1-05:42:08      1    cn044

Puede utilizar squeue para saber el estado de una o varias de sus tareas

$ squeue -o "%.15i %.6P %.8j %.20S %.11M %.11L %.20V %.10Q %.4C %.2D %.6m" -S -t,-Q
 JOBID   PARTIT     NAME      START_TIME          TIME      TIME_LEFT     SUBMIT_TIME       PRIORITY CPUS NO MIN_ME
10837561 general   TEST1   2018-06-18T18:51:01    19:00:31  2-04:59:29  2018-06-18T18:51:01  119972    1  1  1000M
10838562 general   TEST2   2018-06-19T11:30:47    2:20:45   2-21:39:15  2018-06-19T11:30:46  119946    1  1  1000M

para mas opciones puede revisar con el comando man squeue las opciones restantes.

Códigos de ESTADO de los trabajos

Los trabajos suelen pasar por varios estados durante su ejecución. Los estados típicos son PENDIENTE, EN EJECUCIÓN, SUSPENDIDO, FINALIZANDO y TERMINADO. A continuación se explica cada estado.

BF BOOT_FAIL

   Trabajo finalizado debido a un fallo de arranque, normalmente debido a un fallo de hardware (por ejemplo, no se puede arrancar el nodo o bloque y el trabajo no se puede volver a poner en cola). 

CA CANCELADO

   El trabajo ha sido cancelado explícitamente por el usuario o el administrador del sistema. El trabajo puede haberse iniciado o no. 

CD TERMINADO

   El trabajo ha terminado todos los procesos en todos los nodos con un código de salida de cero. 

CF CONFIGURANDO

   Al trabajo se le han asignado recursos, pero están esperando a que estén listos para su uso (por ejemplo, arrancando). 

CG COMPLETANDO

   El trabajo está en proceso de finalización. Algunos procesos en algunos nodos pueden estar aún activos. 

DL FECHA LÍMITE

   El trabajo ha finalizado en la fecha límite. 

F FALLÓ

   Trabajo finalizado con un código de salida distinto de cero u otra condición de fallo. 

NF NODO_FAIL

   Trabajo finalizado debido al fallo de uno o más nodos asignados. 

OOM OUT_OF_MEMORY

   El trabajo ha experimentado un error de memoria insuficiente. 

PD PENDIENTE

   El trabajo está pendiente de asignación de recursos. 

PR PREEMPTED

   El trabajo ha finalizado debido a una espera. 

R EN MARCHA

   El trabajo tiene actualmente una asignación. 

RD RESV_DEL_HOLD

   El trabajo se está reteniendo después de que se eliminara la reserva solicitada. 

RF REQUEUE_FED

   El trabajo está siendo solicitado por una federación. 

RH REQUEUE_HOLD

   Se está volviendo a poner en cola un trabajo retenido. 

RQ REQUEUED

   Se está poniendo en cola un trabajo que se está completando. 

RS CAMBIO DE TAMAÑO

   El trabajo está a punto de cambiar de tamaño. 

RV REVOCADO

   El trabajo se ha retirado del clúster debido a que otro clúster ha iniciado el trabajo. 

SI SEÑALANDO

   El trabajo está siendo señalizado. 

SE SPECIAL_EXIT

   El trabajo se ha puesto en cola en un estado especial. Este estado puede ser establecido por los usuarios, normalmente en EpilogSlurmctld, si el trabajo ha terminado con un valor de salida particular. 

SO STAGE_OUT

   El trabajo está preparando los archivos. 

ST PARADO

   El trabajo tiene una asignación, pero la ejecución se ha detenido con la señal SIGSTOP. Los CPUS han sido retenidos por este trabajo. 

S SUSPENDIDO

   El trabajo tiene una asignación, pero se ha suspendido la ejecución y se han liberado CPUs para otros trabajos. 

TO TIMEOUT

   El trabajo ha finalizado al alcanzar su límite de tiempo.

Cancelar un trabajo

Con scancel se puede cancelar un trabajo en ejecución

scancel <jobID>         # Matar proceso <jobID>. (puede obtener el ID del job con "squeue")
scancel -u <username>   # Matar proceso por usuario <username>. 

[prueba@leftraru1 ~]$ squeue -u prueba
 JOBID  PARTITION    NAME     USER    ST   TIME  NODES  NODELIST(REASON)
 45594    main       TEST    prueba   R    0:59   3     mn[001-003]

[prueba@leftraru1 ~]$ scancel 45594
[prueba@leftraru1 ~]$ squeue -u prueba
JOBID PARTITION     NAME     USER ST       TIME  NODES NODELIST(REASON)
[prueba@leftraru1 ~]$

Ver estado de trabajos

Para revisar el detalle de las opciones de un trabajo: scontrol show job

$ scontrol show job 10837561
JobId=10837561 JobName=TEST1
   UserId=usuario(1000) GroupId=group(1000) MCS_label=N/A
   Priority=1100 Nice=0 Account=account QOS=120
   JobState=RUNNING Reason=None Dependency=(null)
   Requeue=0 Restarts=0 BatchFlag=1 Reboot=0 ExitCode=0:0
   DerivedExitCode=0:0
   RunTime=19:03:08 TimeLimit=3-00:00:00 TimeMin=N/A
   SubmitTime=2018-06-18T18:51:01 EligibleTime=2018-06-18T18:51:01
   StartTime=2018-06-18T18:51:01 EndTime=2018-06-21T18:51:01 Deadline=N/A
   PreemptTime=None SuspendTime=None SecsPreSuspend=0
   Partition=main AllocNode:Sid=leftraru2:5471
   ReqNodeList=(null) ExcNodeList=(null)
   NodeList=cn021
   BatchHost=cn021
   NumNodes=1 NumCPUs=1 NumTasks=1 CPUs/Task=1 ReqB:S:C:T=0:0:*:*
   TRES=cpu=1,mem=1000M,node=1
   Socks/Node=* NtasksPerN:B:S:C=1:0:*:* CoreSpec=*
     Nodes=cn021 CPU_IDs=1 Mem=1000 GRES_IDX=
   MinCPUsNode=1 MinMemoryCPU=1000M MinTmpDiskNode=0
   Features=(null) DelayBoot=00:00:00
   Gres=(null) Reservation=(null)
   OverSubscribe=OK Contiguous=0 Licenses=matlab Network=(null)
   Command=/home/usuario/script.sh
   WorkDir=/home/usuario/
   StdErr=/home/usuario/10837561_%x.err
   StdIn=/dev/null
   StdOut=/home/usuario/10837561_%x.out
   Power=
   BatchScript=

Para ver el script asociado a un trabajo: scontrol write batch_script <job_id> -

$ scontrol write batch_script 10837561 -
#!/bin/bash
#SBATCH -J nombre_del_trabajo
#SBATCH -p main
#SBATCH -n 1
#SBATCH --ntasks-per-node=1
#SBATCH --mail-user=usaurio@correo.cl
#SBATCH --mail-type=ALL
#SBATCH -o nombre_del_trabajo%j_%x.out
#SBATCH -e nombre_del_trabajo%j_%x.err
#SBATCH --license=matlab 
 
ml MATLAB/2017a

matlab -nodisplay -nosplash -nodesktop < programa.m

Ejecutando trabajos

Actualmente contamos con 2 metodos de enviar trabajos bajo SLURM: sbatch and srun. A veces puede ser ventajoso ejecutar un solo comando en el clúster como prueba o realizar rápidamente una operación con recursos adicionales. 'srun' permite a los usuarios hacer esto, y comparte las mismas variables que 'sbatch' . STDOUT y STDERR para un trabajo 'srun' serán redirigidos a la pantalla del usuario. Ctrl-C cancelará un trabajo srun. sbatch enviará un script de trabajo para que lo ejecute el clúster. Los scripts de trabajo bajo SLURM son simplemente scripts de shell (* .sh) con un conjunto de solicitudes de recursos en la parte superior del script.

Uso básico de srun:

srun <algúnComando>

Ejemplo de salida (ejecutando el comando "hostname" para saber en que nodo se está ejecutando):

 $ srun hostname
  cn003

Para enviar un script de trabajo a SLURM:

sbatch nombreScript.sh

Example output:

$ sbatch test-job.sh
Submitted batch job 1169

Variables Slurm

Las variables en esta sección son obligatorias, y SLURM las determina para determinar dónde y cuándo se ejecutarán sus trabajos. Si no asigna un valor para estos, el planificador asignará a sus trabajos el valor predeterminado. Si no solicita específicamente recursos para un trabajo, se le asignará un conjunto de recursos predeterminados. Para obtener una lista de todas las variables disponibles, consulte la documentación de SLURM en http://slurm.schedmd.com/sbatch.html. Las variables de este artículo estaban cubiertas porque eran las más relevantes para los casos de uso típicos.

Comando SLURM	Descripción
--mem-per-cpu=<megabytes>	Memoria requerida para el trabajo por CPU (en MegaBytes). El valor predeterminado es 1024 MB.
-p <partition>, --partition=<partition>	Enviar un trabajo a una partición específica.
-n, --ntasks=<cantidad de tareas>	Número de tareas que serán asignadas para el trabajo.
-c <cpus>	Esta es la cantidad de CPU que necesita su trabajo. Tenga en cuenta que SLURM es relativamente generoso con las CPU, y el valor especificado aquí es el número "mínimo" de CPU que se asignará a su trabajo. Si hay CPU adicionales disponibles en un nodo más allá de lo solicitado, su trabajo recibirá esas CPU hasta que otros trabajos las necesiten. El valor predeterminado es 1 CPU. Intentar usar más CPU de las que se le asignaron dará como resultado que sus procesos adicionales se turnen en la misma CPU (ralentizando su trabajo).
-J <name>, --jobname=<name>	Especifica un nombre a tu trabajo.
--mail-type=BEGIN,END,FAIL,ALL and --mail-user=<emailAddress>	Enviar por correo electrónico cuando su trabajo comienza / termina / falla. Puede especificar varios valores para esto (separados por comas) si es necesario.
-o <STDOUT_log>, --output=<STDOUT_log>	Redirija la salida a los archivos de registro que especifique. Por defecto, ambos, STDOUT and STDERR son enviados a este archivo. Puedes especificar %j como parte del nombre de archivo de registro para indicar la ID del trabajo (como ejemplo, "#SBATCH -o ouptut_%j.o" redirigiría la salida a "output_123456.o").
-e <STDERR_log>, --error=<STDERR_log>	Redireccionar STDERR a un archivo separado. Funciona exactamente igual que "-o".
-t <days-hours:minutes:seconds>	Walltime para tu trabajo. La duración del Walltime es el tiempo que espera que su trabajo se ejecute.
-a, --array=<índices>	Envía una lista (arreglo) de trabajos identicos. Solo aplica para sbatch.

Los scripts de trabajo especifican los recursos solicitados y otras consideraciones especiales con comentarios especiales "#SBATCH" en la parte superior de un script de trabajo. Aunque muchas de estas opciones son opcionales, las varibles que se ocupan de solicitudes de recursos (CPU, memoria y tiempo) son obligatorias. Todas las variables deben agregarse a sus scripts de la siguiente manera:

#SBATCH <variable>

Para especificar un nombre al job, por ejemplo, debe agregar lo siguiente a su secuencia de comandos:

#SBATCH --job-name=nombreDeTrabajo

Enviar un script

 
 #!/bin/bash
 #SBATCH -J example
 #SBATCH -p general
 #SBATCH -n 1
 #SBATCH --output=example_%j.out
 #SBATCH --error=example_%j.err
 #SBATCH --mail-user=user@example.com
 #SBATCH --mail-type=ALL

Como debe comenzar un script en Linux:

#!/bin/bash

Nombre del trabajo:

#SBATCH -J example

Nombre la partición donde desea ejecutar el Job:

#SBATCH -p general

Número de tareas:

#SBATCH -n 1

Log de salida:

#SBATCH -o example_%j.out

Log de error:

#SBATCH -e example_%j.err

Correo para notificaciones:

#SBATCH --mail-user=user@example.com

Enviar correo en todos casos (verificar opciones arriba):

#SBATCH --mail-type=ALL

Programar tarea (uso de scrontab)

scrontab es una implementación del clásico planificador de tareas de linux crontab donde se guarda un listado de comandos a ejecutar en un tiempo determinado por el usuario.

Para acceder a scrontab utilice el siguiente comando:

[prueba@leftraru1 ~]$ scrontab -e

Esto le permitirá editar su archivo scrontab, asignando recursos como también el momento en que desea ejecutar su tarea. La estructura base a utilizar es la siguiente:

#SCRON -J mi_tarea
#SCRON -p main
#SCRON -n 1
#SCRON -c 1
#SCRON --mem-per-cpu=2300
#SCRON --mail-user=foo@bar.com
#SCRON --mail-type=ALL
#SCRON -o mi_tarea_%j.out
#SCRON -e mi_tarea_%j.err
# Example of job definition:
# .---------------- minute (0 - 59)
# |  .------------- hour (0 - 23)
# |  |  .---------- day of month (1 - 31)
# |  |  |  .------- month (1 - 12) OR jan,feb,mar,apr ...
# |  |  |  |  .---- day of week (0 - 6) (Sunday=0 or 7) OR sun,mon,tue,wed,thu,fri,sat
# |  |  |  |  |
# *  *  *  *  *     command to be executed

• minute - Corresponde al minuto en que se va a ejecutar el script, valor de 0 a 59.
• hour - Hora de ejecución, formato 24 horas, valor de 0 a 23, donde 0 son las 12:00 AM.
• day of month - Día del mes, la tarea se puede ejecutar cada x día, valor de 1 a 31.
• month - La tarea se puede ejecutar cada x mes, valor de 1 a 12.
• day of week - Día de la semana, valor de 0 a 6, donde 0 es Domingo.
• command to be executed - Script a ejecutar por el usuario.

Ejemplo envío de trabajo slurm:

Para la asignación de recursos, utilizaremos la directriz #SCRON, que utiliza los mismos parámetros usados por #SBATCH.

Luego de asignar los recursos debemos especificar el tiempo, en este caso la tarea será ejecutada todos los días cada 20 minutos, luego debemos indicar el script enviado por el usuario y guardamos los cambios en el archivo.

*/20 * * * * /home/prueba/ejemplo/script.sh

Es importante destacar que el script a lanzar /home/prueba/ejemplo/script.sh debe tener permisos de ejecución.

Para revisar el listado de tareas existentes en nuestro scrontab, ejecutamos el comando:

[prueba@leftraru1 ~]$ scrontab -l
*/20 * * * * /home/prueba/ejemplo/script.sh

Para borrar el contenido de nuestro scrontab:

[prueba@leftraru1 ~]$ scrontab -r

Información a considerar:

• Generar archivos de salida correctamente
  • Para que el archivo error y out de tu script se generen en el directorio solicitado, ejemplo, /home/prueba/ejemplo/ en tu script debe estar presente el comando cd “/home/prueba/ejemplo”, esto hará que scrontab se posicione dentro del directorio de salida.
• Es distinto el tiempo de programar el envío de una tarea (scrontab) a que una tarea inicie en el clúster (running), ya que esto dependerá de los recursos libres que existan en ese momento en el clúster.
• Para revisar las tareas programadas debe ejecutar en cualquier nodo login el comando scrontab -l o revisar con el comando squeue:

[prueba@leftraru1 ~]$ squeue
24293471     main /home/eg  prueba PD       0:00      1 (BeginTime)

Checkpointing

Es la acción de guardar el estado de un proceso en ejecución en un archivo de imagen de punto de control. Este proceso se puede reiniciar más tarde desde el archivo del punto de control, continuando la ejecución desde donde se detuvo, en la misma computadora o en una diferente.

¿Por qué utilizarlo?

• Permite ejecuciones de tarea largas que superen el tiempo de ejecución permitido en el cluster (30 días)
• Estar preparados ante fallas del sistema que nos puedan hacer perder resultados de nuestras simulaciones

Utilización

Lo primero que debemos hacer en nuestro script es cargar el módulo de Mana:

ml mana/3.0.0

Este módulo provee 3 ejecutables que necesitaremos:

• mana_coordinator: Coordina los checkpoints entre los distintos procesos
• mana_launch: Inicia un proceso con checkpoint
• mana_restart: Reinicia la ejecución desde una imagen del checkpoint

Necesitaremos 2 scripts para trabajar con checkpoints: Inicio y reinicio

Script de inicio (inicio.sh)

#!/bin/bash
##---------------SLURM Parameters - NLHPC ----------------
#SBATCH -J Testcheckpoint
#SBATCH -p general
#SBATCH -n 44
#SBATCH --ntasks-per-node=44
#SBATCH --mem-per-cpu=4363
#SBATCH --mail-user=test@nlhpc.cl
#SBATCH --mail-type=ALL
#SBATCH -o Testcheckpoint_%j.out
#SBATCH -e Testcheckpoint_%j.err

# ----------------Modules----------------------------
ml mana/3.0.0
# ----------------Command--------------------------
#Checkpointing cada 1 hora
mana_cooridinator -i3600
#Ejecutamos nuestra tarea con checkpointing
srun mana_launch ./ejecutable

Script de reinicio (reinicio.sh)

#!/bin/bash
##---------------SLURM Parameters - NLHPC ----------------
#SBATCH -J Testcheckpoint
#SBATCH -p general
#SBATCH -n 44
#SBATCH --ntasks-per-node=44
#SBATCH --mem-per-cpu=4363
#SBATCH --mail-user=test@nlhpc.cl
#SBATCH --mail-type=ALL
#SBATCH -o Testcheckpoint_%j.out
#SBATCH -e Testcheckpoint_%j.err

# ----------------Modules----------------------------
ml mana/3.0.0
# ----------------Command--------------------------
#Checkpointing cada 1 hora
mana_cooridinator -i3600
#Reiniciar nuestra tarea desde los archivos de checkpoint
srun mana_restart

Para correr estos scripts se puede hacer utilizando la funcionalidad de dependencias de SLURM:

[test@leftraru2 test]$ sbatch inicio.sh
Submitted batch job 23574685
[test@leftraru2 test]$ sbatch --dependency=afterok:23574685 reinicio.sh

Trabajos

Trabajos paralelos

Muchos de los trabajos que se ejecutan en un clúster de producción implicarán más de un procesador (CPU, núcleo). Dichos trabajos paralelos deben solicitar la cantidad de recursos necesarios a través de opciones adicionales. Los más comunes son:

Para diferentes tipos de trabajos paralelos, se especificarán diferentes opciones. Los trabajos paralelos más comunes son trabajos de MPI (memoria distribuida), trabajos de subprocesos múltiples (memoria compartida) y los llamados híbridos que son una combinación de los dos. Analicemos por separado con un n ejemplo para cada uno.

Ejecución de programas con MPI

MPI (interfaz de paso de mensajes) es la API de comunicación estándar para trabajos paralelos de memoria distribuida capaz de implementarse en un clúster. Para programar dicho trabajo, es necesario especificar la cantidad de nodos del clúster que se utilizarán y la cantidad de procesos (tareas) que se ejecutarán en cada nodo.

El siguiente es un ejemplo de ejecución de un programa compilado con Open MPI:

#!/bin/bash
#SBATCH -J example_mpi
#SBATCH -p general
#SBATCH -n 264
#SBATCH --ntasks-per-node=44
#SBATCH --output=example_%j.out
#SBATCH --error=example_%j.err
#SBATCH --mail-user=user@example.com
#SBATCH --mail-type=ALL

srun ./mpi_test

A continuacion se explica línea por líneael script.

Como empieza un shell script en Linux:

#!/bin/bash

Nombre del Job:

#SBATCH -J example_mpi

Nombre la particion donde se desea ejecutar el trabajo:

#SBATCH -p general

Número de tareas. Debe de ser un número múltiplo del número de CPUs máximo que tenga un node de la partición donde se lanza:

#SBATCH -n 264

Con esto se fuerza a que se lancen 44 tareas MPI en cada uno de los nodos, ocupando de este modo nodos completos. En este caso 6 nodos completos:

#SBATCH --ntasks-per-node=44

Log de salida:

#SBATCH -o example_%j.out

Log de error:

#SBATCH -e example_%j.err

Correo para notificaciones:

#SBATCH --mail-user=user@example.com

Envía correo en todos los casos:

#SBATCH --mail-type=ALL

Programa para ejecutar:

srun ./mpi_test

Nota: no se carga específicamente el módulo "mpi" ya que se carga siempre por defecto.

Para enviarlo al clúster debe ejecutar el comando: sbatch script.sh. El ejemplo anterior ejecutará una tarea OpenMPI con 264 procesos reservando 264 cores para ello.

Trabajos multiproceso OpenMP

Los trabajos paralelos diseñados para ejecutarse en un sistema multi-core (shared-memory) suelen ser "multi-threaded". La programación de un job de este tipo requiere especificar el número de núcleos que se utilizan para acomodar los subprocesos.

OpenMP es el conjunto común de variables de compilación para facilitar el desarrollo de programas multi-threaded. Un script típico de SLURM para un programa de este tipo se ve así:

 #!/bin/bash
 #SBATCH -J OMPtest
 #SBATCH -p general
 #SBATCH -n 1
 #SBATCH -c 44
 #SBATCH --ntasks-per-node=44
 #SBATCH --mem-per-cpu=1024
 #SBATCH -o example_%j.out
 #SBATCH -e example_%j.err
 #SBATCH --mail-user=user@example.com
 #SBATCH --mail-type=ALL

 OMP_NUM_THREADS=$SLURM_CPUS_PER_TASK time ./omp-program

Como debe comenzar un script en Linux:

#!/bin/bash

Nombre del Job:

#SBATCH -J OMPtest

Nombre la particion donde desea ejecutar el Job:

#SBATCH -p general

Número de trabajos:

#SBATCH -n 1

Número de tareas:

#SBATCH -c 44

Con esto se fuerza a que se agrupen las 44 tareas en un nodo (en OpenMP no hay comunicación entre nodos, por lo que todas las tareas deben estar en el mismo nodo o no funcionaría):

#SBATCH --ntasks-per-node=44

Memoria por core (MBytes):

#SBATCH --mem-per-cpu=1024

Log de salida:

#SBATCH -o example_%j.out

Log de error:

#SBATCH -e example_%j.err

Correo para notificaciones:

#SBATCH --mail-user=user@example.com

Enviar correo en todos los casos:

#SBATCH --mail-type=ALL

Programa para ejecutar:

OMP_NUM_THREADS=$SLURM_CPUS_PER_TASK time ./omp-program 

Cuando se utiliza un programa OpenMP, el número de subprocesos (y, por lo tanto, el número requerido de núcleos) se especifica a través de la variable de entorno OMP_NUM_THREADS que, por lo tanto, aparece en el script frente a la llamada al programa. Lo estamos configurando en la variable interna SLURM_CPUS_PER_TASK que se establece a través de la opción "-c" (a 44 en nuestro ejemplo, que sería el número total de cores de un nodo de la partición "general").

La opción "-n" se mantiene en 1 para indicar un único trabajo principal que tiene 44 tareas. Para asegurarnos que todas las tareas se ejecutan en el mismo nodo, se añade la opción "--ntasks-per-node" con el máximo número de cores que tiene un nodo de la partición donde se está lanzando el trabajo.

Ejecución de tareas en GPUs

#!/bin/bash
#SBATCH -J ejemplo_gpus
#SBATCH -p v100
#SBATCH -n 1
#SBATCH -o ejemplo_%j.out
#SBATCH -e ejemplo_%j.err
#SBATCH --mail-user=correo@gmail.com
#SBATCH --mail-type=ALL
#SBATCH --mem-per-cpu=4300
#SBATCH --gres=gpu:1

./programa

Inicio de un bash script en Linux:

#!/bin/bash

Nombre del trabajo:

#SBATCH -J ejemplo_gpus

Nombre la partición donde se ejecuta el trabajo:

#SBATCH --partition=v100

Número de tareas:

#SBATCH -n 1

Log de salida:

#SBATCH -o ejemplo_%j.out

Log de error:

#SBATCH -e ejemplo_%j.err

Correo para notificaciones:

#SBATCH --mail-user=user@example.com

Enviar correo en todos los casos:

#SBATCH --mail-type=ALL

Memoria por CPU (MB):

#SBATCH --mem-per-cpu=4365

Cantidad utilizada de GPUs. El parámetro gpu:1 indica la cantidad de tarjetas a utilizar (cada nodo tiene 2 GPUs):

#SBATCH --gres=gpu:1

Programa para ejecutar:

./programa

Job Arrays

Cuando se ejecutan cientos o miles de simulaciones que utilizan la misma cantidad de recursos, puede ser una ventaja ejecutar estas simulaciones como un "job array". Los job array le permiten enviar miles de dichos trabajos (llamados "job steps") con un solo script. A cada simulación se le asignará un valor único para la variable de entorno SLURM_ARRAY_TASK_ID. Puede usar esta variable para leer parámetros para pasos individuales de una línea dada de un archivo.

Caso de uso de un Script Job Array (Gaussian)

Tenemos usuarios que actualmente envían varias simulaciones al clúster que son similares en cuanto al uso de recursos, pero, la diferencia es que solo cambia la entrada que le entregan al programa. Para esta situación, recomendamos hacer uso de un script Job Array.

En este ejemplo crearemos un script job array para el software Gaussian, el cual, realizará 63 simulaciones, cada una de estas utilizará 8 cores y podrá alcanzar un uso máximo de 8 Gb de memoria ram. Para este caso utilizaremos la partición slims donde cada nodo tiene 46 Gb de memoria ram y 20 cores.

Script:

#!/bin/bash
# ----------------SLURM Parameters----------------
#SBATCH -J prueba
#SBATCH -p slims
#SBATCH -n 1
#SBATCH -c 8
#SBATCH --mem-per-cpu=1000
#SBATCH --mail-user=prueba@nlhpc.cl
#SBATCH --mail-type=ALL
#SBATCH --array=1-63
#SBATCH -o prueba_%A_%a.out
#SBATCH -e prueba_%A_%a.err
#-----------------Toolchain---------------------------
ml purge
ml intel/2019b
# ----------------Módulos-----------------------------
ml g16/B.01
# ----------------Comandos--------------------------
file=$(ls Child_10_*.com | sed -n ${SLURM_ARRAY_TASK_ID}p)
srun g16 $file

Descripción de comandos utilizados en script:

Inicio de un bash script en Linux:

#!/bin/bash

Nombre de la simulación:

#SBATCH -J prueba

Nombre la partición donde se ejecuta la simulación:

#SBATCH -p slims

Número de tareas (1 tarea va a ejecutar 63 simulaciones):

#SBATCH -n 1

Core’s por tareas (cada tarea utilizará un máximo 8 cores):

#SBATCH -c 8

Memoria ram por cpu (cada tarea utilizará un máximo 8 Gb de ram):

#SBATCH –mem-per-cpu=1000

Correo para activar el envío de notificaciones:

#SBATCH --mail-user=prueba@nlhpc.cl

Permitir envío de notificaciones:

#SBATCH --mail-type=ALL

Se generan 63 simulaciones diferentes:

#SBATCH --array=1-63

Log de salida: (ejemplo: prueba_18455017_1.out)

• %A corresponde al Job ID de nuestra tarea que le asignará Slurm → 18455017.
• %a corresponde a la simulación X de nuestra tarea que le asignará Slurm → 1.

#SBATCH -o prueba_%A_%a.out

Log de errores: (ejemplo: prueba_18455017_1.err)

• %A corresponde al Job ID de nuestra tarea que le asignará Slurm → 18455017.
• %a corresponde a la simulación X de nuestra tarea que le asignará Slurm → 1.

#SBATCH -e prueba_%A_%a.err
Toolchain: en este apartado, limpiaremos nuestro entorno de software no deseados y luego escogemos la herramienta informática con la cual está compilado el software Gaussian (nosotros utilizamos el compilador Intel/2019b).

#-----------------Toolchain---------------------------
ml purge
ml intel/2019b
Módulos: cargamos el software Gaussian versión 16/B.0.

# ----------------Módulos-----------------------------
ml g16/B.01
Comandos: aquí definimos los comandos a ejecutar.

# ----------------Comandos--------------------------
file=$(ls Child_10_*.com | sed -n ${SLURM_ARRAY_TASK_ID}p)
srun g16 $file

file= variable que va a listar los archivos de entrada que comiencen por Child_10_ y terminen en .com

sed -n ${SLURM_ARRAY_TASK_ID}p) ← Sed imprimirá las líneas de cada archivo de entrada y la variable $SLURM_ARRAY_TASK_ID asumirá estas entradas como matriz de simulación en nuestro job array, en este ejemplo tenemos 63 archivos de entrada.

Para más detalles sobre los archivos stdin, stdout y stderr de una simulación % A será reemplazado por el valor de SLURM_ARRAY_JOB_ID que es el Job ID de nuestra tarea y %a será reemplazado por el valor de SLURM_ARRAY_TASK_ID que corresponde a la simulación X de nuestra tarea.

Srun g16 $file: ejecutará el comando gaussian g16 interpretando la variable $file en los nodos de cómputo asignados.

Enviar el script:

[prueba@leftraru1 ~]$ sbatch prueba.sh

Ejecución de una tarea que ocupa mucha RAM por CPU

Debemos tener en cuenta que la RAM que SLURM reserva por defecto son 1000 MB. Un típico error de cancelación de tarea por falta de memoria es el siguiente:

/tmp/slurmd/job136839939/slurm_script: line 15: 23547 Killed                  ./programa.sh
slurmstepd: error: Detected 1 oom-kill event(s) in step 136839939.batch cgroup. Some of your processes 
may have been killed by the cgroup out-of-memory handler.

Si su tarea ocupa más de la memoria por defecto, puede utilizar el siguiente parámetro:

#SBATCH --mem-per-cpu=2300 #Máxima RAM por CPU

Esto hará que SLURM reserve más RAM por CPU para sus tareas.

Tenga en cuenta que nuestros nodos tienen 46 GB de memoria RAM (Partición slims), 187 GB (Partición general) y 765 GB (Partición largemem) por nodo. Más información.

Otra forma de reservar memoria es utilizando el siguiente parámetro:

#SBATCH --mem=2300

En este caso SLURM realizará una reserva de memoria de 2300 MB pero por la totalidad del trabajo.

Los parámetros anteriores al igual que el número de CPUs que se van a usar, hay que afinarlos lo mejor posible. Para ello lo que se puede hacer es hacer pruebas en los nodos logins, sin lanzar en las colas, y así estudiar el uso de RAM y CPU por parte de sus procesos.

Ejecución de una tarea con Dependencias

Las dependencias de trabajos se utilizan para aplazar el inicio de un trabajo hasta que se satisfagan las dependencias especificadas. Se especifican con la opción --dependency en el siguiente formato:

sbatch --dependency=<type:job_id[:job_id][,type:job_id[:job_id]]> ...

Los tipos de dependencias son las siguientes:

• after:jobid[:jobid...] - el trabajo puede empezar después de que los trabajos especificados comiencen
• afterany:jobid[:jobid...] - el trabajo puede empezar después de que los trabajos especificados terminen
• afternotok:jobid[:jobid...] - el trabajo puede empezar después que los trabajos especificados terminan fallidamente
• afterok:jobid[:jobid...] - el trabajo puede empezar después que los trabajos especificados terminan exitósamente

La manera más simple de usar una dependencia del tipo afterok:

[prueba@leftraru1 ~]$ sbatch job1.sh
Submitted batch job 21363626
[prueba@leftraru1 ~]$ sbatch --dependency=afterok:21363626 job2.sh

Ahora cuando job1.sh termine correctamente, el job2.sh entrará en ejecución. Si job1.sh termina fallidamente, job2.sh no entrará en ejecución nunca pero sí quedará en cola (debe cancelarse manualmente el trabajo).

Capturando el Job ID para facilitar la ejecución de varias tareas con dependencias

Es posible capturar en una variable el Job ID de cada tarea para poder lanzar varias tareas sin conocer el Job ID previamente.

Por ejemplo, si se desea lanzar 4 tareas que sean dependientes con la anterior, se comenzará lanzando la primera tarea y capturando en la variable $JOB1, el que será utilizado como dependencia en la tarea $JOB2, y así sucesivamente.

JOB1=$(sbatch job_1.sbatch 2>&1 | awk '{print $4}')
JOB2=$(sbatch --dependency=afterok:$JOB1 job_2.sbatch 2>&1 | awk '{print $4}')
JOB3=$(sbatch --dependency=afterok:$JOB2 job_3.sbatch 2>&1 | awk '{print $4}')
JOB4=$(sbatch --dependency=afterok:$JOB3 job_4.sbatch 2>&1 | awk '{print $4}')

Prioridad de tarea

Cómo ver la prioridad del trabajo. Los factores que determinan la prioridad del trabajo, incluyendo la fórmula y pesos.

Factores que determinan prioridad de tarea

Comando SLURM	Descripción
Edad	la cantidad de tiempo que el trabajo ha estado esperando en la cola.
Tamaño de la tarea	número de nodos solicitados por el trabajo.
Partición	prioridad para una partición determinada.
Prioridad Baja	Mientras más tareas se ejecuten en el cluster, menor será la prioridad.
Prioridad Alta	Mientras menos tareas se ejecuten en el clúster, más alta es la prioridad.

Prioridad de tarea

Cómo ver la prioridad del trabajo. Los factores que determinan la prioridad del trabajo, incluyendo la fórmula y pesos.

Factores que determinan prioridad de tarea

• Edad - la cantidad de tiempo que el trabajo ha estado esperando en la cola
• Tamaño Oficio - número de nodos solicitados por el trabajo
• Partición - prioridad para una partición determinada
• Contribución de prioridades basada en los recursos informáticos utilizados por los miembros de un grupo de investigación en los últimos 30 días - Fairshare.
• Mientras más tareas se ejecuten en el cluster, menor será la prioridad.
• Mientras menos tareas se ejecuten en el clúster, más alta es la prioridad.

Fórmula Prioridad de tarea

Job_priority =
  (PriorityWeightAge) * (age_factor) +
  (PriorityWeightFairshare) * (fair-share_factor) +
  (PriorityWeightJobSize) * (job_size_factor) +
  (PriorityWeightPartition) * (partition_factor) +
  (PriorityWeightQOS) * (QOS_factor)

Visualización de sus Tareas

Si Ud. necesita visualizar información acerca de sus tareas de forma interactiva, puede utilizar el comando smap:

smap -i 3

De esta forma, tendrá una actualización cada 3 segundos de sus tareas en ejecución incluyendo los nodos en los cuales se encuentran ejecutándose.

Bibliografía

Manual Oficial de Slurm

Documentación scrontab