1 集群常用概念
Resource
:资源,作业运行过程中使用的可量化实体,包括硬件资源(节点、内存、CPU、GPU)和软件资源(License)Cluster
:集群,包含计算、存储、网络等各种资源实体且彼此联系的资源集合,物理上一般由计算处理、互联通信、I/O存储、操作系统、编译器、运行环境、开发工具等多个软硬件子系统组成。Node
:节点,是集群的基本组成单位,从角色上一半可以划分为管理节点、登录节点、计算节点、存储节点等。job
:作业,物理构成,一组关联的资源分配请求,以及一组关联的处理过程。按交互方式,可以分为交互式作业和非交互式作业;按资源使用,可以分为串行作业和并行作业。queue
:队列,带名称的作业容器,用户访问控制,资源使用限制。Job Schedule System
:作业调度系统,负责监控和管理集群中资源和作业的软件系统。job step
:作业步,单个作业可以有多个作业步。partition
:分区,根据用户的权限,作业需要被提交到特定的分区中运行。tasks
:任务数,默认一个任务使用一个CPU核,可理解为job需要的CPU核数。
2 Slurm常用基本命令
sbatch
:提交作业脚本使其运行。squeue
:显示队列中的作业及作业状态。scancel
:取消排队或运行中的作业。sinfo
:显示节点状态。scontrol
:现实或设定slurm作业、队列、节点等状态。salloc
:为实时处理的作业分配资源:典型场景为分配资源并启动一个shell,然后用此shell执行srun命令去执行并行任务。srun
:交互式运行并行作业,一般用于短时间测试。
3 Slurm作业提交
slurm 有三种模式提交作业,分别为交互模式
,批处理模式
,分配模式
,这三种方式只是作业提交方式的区别,在管理、调度、机时计算同等对待。
一般使用批处理模式提交作业,其他两种模式这里不进行详细介绍。
3.1 交互模式:srun
交互式作业提交,提交命令后,等待作业执行完成之后返回命令行操作界面。
3.2 批处理模式:sbatch
- 批处理模式是指用户编写作业脚本,指定作业需要的资源,提交后台执行作业
- 作业提交后进入调度状态,在资源满足要求时,分配计算节点
- 分配到计算资源后,自动在计算节点执行用户所编辑的脚本内的命令,sbatch 命令提交作业,终端断开连接作业依然在后台运行束,直到脚本执行结束作业自动退出 (或者在作业运行时执行 scancel 命令取消作业后作业自动停止)
- 批处理作业的脚本为一个bash或sh文本文件
- 计算开始后,工作目录中会生成以
slurm-作业号.out
文件,为作业的输出
常见资源需求参数,使用SBATCH -xx xxx
写入作业脚本中:
-N, --nodes=N #指定节点数量
-o, --output=out_filename #指定输出文件输出
-p, --partion=debug #指定分区
-t, --time=dd-hh:mm:ss #作业最大运行时间
--mem:指定每个节点上使用的物理内存
--begin:指定作业开始时间
-D,--chdir:指定脚本/命令的工作目录
-c, --cpu-per-task=NCPUs #指定每个进程使用核数,不指定默认为1
-e, --error=error_filename #指定错误文件输出
-J, --job-name=JOBNAME #指定作业名称
--mail-type=END/FAIL/ALL #邮件提醒,可选:END,FAIL,ALL
--mail-user=mail_address #通知邮箱地址
-n, --ntask=NTASKs #指定总进程数;不使用cpus-per-task,可理解为进程数即为核数
--ntask-per-node=N #指定每个节点进程数/核数,使用-n参数后变为每个节点最多运行的进程数
-w, --nodelist=node[1,2] #指定优先使用节点,不可与避免节点冲突
-x, --exclude=node[3,5-6] #指定避免使用节点,不可与优先节点冲突
--mem-per-cpu=MB #指定计算cpu最大占用内存大小
示例文件:
#!/bin/bash
#提交单个作业
#SBATCH --job-name=JOBNAME %指定作业名称
#SBATCH --partition=debug %指定分区
#SBATCH --nodes=2 %指定节点数量
#SBATCH --cpus-per-task=1 %指定每个进程使用核数,不指定默认为1
#SBATCH -n 32 %指定总进程数;不使用cpus-per-task,可理解为进程数即为核数
#SBATCH --ntasks-per-node=16 %指定每个节点进程数/核数,使用-n参数(优先级更高),变为每个节点最多运行的任务数
#SBATCH --time=240:00:00 %作业最大运行时长,参考格式填写
#SBATCH --output=file_name %指定输出文件输出
#SBATCH --error=file_name %指定错误文件输出
#SBATCH --mail-type=ALL %邮件提醒,可选:END,FAIL,ALL
#SBATCH --mail-user=address %通知邮箱地址
module load apps/anaconda3/2021.05 # 加载anaconda
source activate torch1.8.1 # 加载anaconda虚拟环境
python main.py --no_static=True --model=lstm --seed=100 train_basins # 执行python脚本
命令行输入sbatch 作业脚本名
提交作业
sbatch filename
3.3 分配模式:salloc
程序部署完成后的验证性测试、调试。推荐在不确定程序是否能够正常运行时使用此流程进行测试。此方法终端中断后程序作业即退出运行,正式提交作业不推荐使用此方法。
此模式支持用户在提交作业前抢占所需要的计算资源,此时开始计算机时。程序运行完成后作业不会自动停止,直到退出终 端或 scancel 取消作业后作业才会停止,才会停止计费。
终端断开作业会立刻停止,如果作业未运行完成时终端断开会导致任务运 行中断。
执行分为三步:
(1) 提交资源分配请求,等待资源分配,资源分配到后开始计费
(2) 执行用户指定的命令
(3) 退出作业释放资源,停止计费
4 节点及作业列表查询
4.1 节点信息查看
sinfo # 查看所有分区状态
sinfo -a # 查看所有分区状态
sinfo -N # 查看节点状态
sinfo -n node-name # 查看指定节点状态
sinfo --help # 查看帮助信息
# 节点状态信息
alloc:节点满载
idle:节点空闲
mix:节点部分被占用
down:节点下线
drain:节点故障
4.2 作业列表查询
squeue # 查看运行中作业列表
squeue -l # 查看列表细节信息
squeue -j job-id # 查看指定运行中的作业信息
# 作业状态
R:正在运行
PD:正在排队
CG:已完成
CD:已完成
4.3 查看作业的CPU、GPU使用情况
一般通过squeue
查看作业所在的节点id,通过ssh 节点id
连接作业所在节点,使用top
命令查看节点的CPU使用情况,使用top nvidia-smi
查看节点的GPU使用情况,使用nvidia-smi -l 刷新间隔秒数
可设置显示的刷新频率。
5 作业信息查询及更新
5.1 作业信息查看
scontrol show job JOBID #查看作业的详细信息
scontrol show node #查看所有节点详细信息
scontrol show node node-name #查看指定节点详细信息
scontrol show node | grep CPU #查看各节点cpu状态
scontrol show node node-name | grep CPU #查看指定节点cpu状态
5.2 更新作业信息
作业提交后,但相关作业属性错误,取消任务修改作业后需要重新排队,在作业运行开始前可以使用scontrol
更新作业的运行属性。文章来源:https://www.toymoban.com/news/detail-450792.html
scontrol update jobid=JOBID ATTRIBUTE=INFO # ATTRIBUTE为下列属性名,INFO修改的属性值
partition=<name>
name=<name>
numcpus=<min_count-max_count>
numnodes=<min_count-max_count>
numtasks=<count>
reqnodelist=<nodes>
reqcores=<count>
nodelist=<nodes>
excnodelist=<nodes>
starttime=yyyy-mm-dd
timelimit=d-h:m:s
mincpusnode=<count>
minmemorycpu=<megabytes>
minmemorynode=<megabytes>
6 终止作业
scancel JOBID # 终止作业
7 参考文献
[1] https://blog.csdn.net/nixiang_888/article/details/121405854文章来源地址https://www.toymoban.com/news/detail-450792.html
到了这里,关于Slurm作业提交、查询、修改等常用命令的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!