节点共享使用队列问题
问题描述:分区配置允许为不同的节点组(或分区)建立不同的作业限制或访问控制。节点组可能位于多个分区中,使分区成为通用队列。例如,可以将同一组节点放到两个不同的分区中,每个分区都有不同的约束(时间限制、作业大小、允许使用分区的组等等)。作业在单个分区内分配资源。在slurm.conf中每个分区的所有参数放在一行中。每一行分区配置信息应该代表一个不同的分区。
根据官网描述,可以通过在slurm进行相应的限制,来达到节点共享使用队列,但是不会造成作业执行冲突。
- AllocNodes
表示队列的节点列表,一个节点可以出现在多个队列中,可以使用节点范围表达式指定节点名称,默认值是”ALL“表示全部节点。
- AllowAccounts
用逗号分隔开的账户列表,表示可以使用该分区的账户,这样就可以以账户来限制作业执行在哪个队列里,由于Linux用户与Slurm用户打通的,而slurm用户跟slurm账户是绑定的,但是Linux没有Account的概念。因此对于账户的限制只需要关注slurm中的account即可。
- AllowGroups
用逗号分隔开组名列表,表示允许这些组在队列中执行作业。其中root用户与slurmuser用户可以在任何队列中执行作业。默认情况下,AllowGroups是不设置的,表示所有的组都可以使用队列。由于Linux中用户跟Slurm用户是打通的,因此slurm采用了Linux组限制作业运行在队列中。简言之,就是AllowGroups允许Linux组中与slurm相关联的用户来使用该队列。
- Default
当提交到slurm的作业没有指定具体的队列时候,作业就会默认提交到默认的队列中。对应参数有两个,”YES“和”NO“,在一个集群中,只允许出现一个默认队列。
- DefaultTime
用来未指定运行时间的作业运行时间限制,如果不设置DefaultTime,将采用集群配置的MaxTime。
- DenyAccounts
用逗号分隔开的列表,表示哪些账号不允许使用该队列,与AllowGroup相对应。
- DisableRootJobs
从上面可以了解到,root用户和slurmuser默认可以向任何队列提交作业,该配置项是了组织root用户在该队列运行任何作业。DisableRootJobs=YES表示阻止root用户在该分区运行作业。
- ExclusiveUser
表示该队列下的节点都将专门非配给用户,可以给一个用户运行多个作业。但是一次只能激活一个用户。
- Hidden
表示默认情况下是否隐藏队列以及运行在该队列上面的作业。SlurmAPI默认情况下不会报告隐藏分区。可用的参数是“ YES”和“ NO”。默认值是“ NO”。请注意,默认情况下,用户由于 AllowGroups 参数而无法访问的队列也将被隐藏。
slurm使用cgroup来解决作业指定资源与实际分配资源问题
现有的资源是以节点为粒度的资源分配,在多核心CPU中如果作业申请资源不能全部占满全部核心,就会出现资源超额分配的问题,如何将资源申请与管理的粒度细化到核心这一级。文章来源:https://www.toymoban.com/news/detail-501245.html
- 尝试的解决办法
Resource Selection:资源选择,定义作业资源(节点)选择算法----需要修改控制节点和所有计算节点的slurm.conf的选择算法
SelectType=select/cons_tres #使用cons_tres插件
** select/cons_tres: 单个的CPU核、内存、GPU及其它可追踪资源作为可消费资源(消费及分配),建议设置**
** select/cons_res: 单个的CPU核和内存作为可消费资源**
** select/cray_aries: 对于Cray系统**
** select/linear: 基于主机的作为可消费资源,不管理单个CPU等的分配**
修改slurmctld的slurm.conf配置文件之后,会出现作业能够执行,资源也能够细粒度到以核心为单位。但是在运行到33秒之后,通过squeue以及scontrol查看作业信息,作业状态会变成CG状态,且在slurmd的log日志文件中会出现下面的问题(插件找不到):
根据官网关于配置文件的翻译,以及百度到的插件机制,出现CG的原因是因为执行完作业的进程没有完全退出,导致出现作业状态变成CG,同时执行作业的节点状态变成comp状态。如果想要把节点状态由comp状态变成idle状态,需要使用scontrol update nodename=xxx state=down reason=xxx以及scontrol update nodename=xxx state=resume reason=xxx,这样节点状态就会重启了。
通过查看安装的插件位置,发现相应的插件已经通过rpmbuild编译过了,应该不是插件没有打开的问题。
查看CPU核数以及线程数
另外关于重新编译的问题。可以参考:https://cloud.tencent.com/developer/ask/sof/1917449具体内容如下图所示:
最后,解决办法竟然是同步修改slurmd节点的slurm.conf文件,因为SelectType是作用在slurmd的配置项,所以需要同步修改配置文件。(不知道为什么,在计算节点公司也给安排了slurm.conf配置文件,绝了)文章来源地址https://www.toymoban.com/news/detail-501245.html
到了这里,关于Slurm问题-关于节点共享队列以及配置cgroup的问题的文章就介绍完了。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!