Slurm多队列模式指南

• 中的一个节点POWER_SAVINGstate此时会显示~后缀（例如idle~) 在sinfo. 在此状态下，没有 EC2 实例支持该节点。但是，Slurm仍然可以将作业分配给节点。

• 正在过渡到POWER_UPstate此时会显示#后缀（例如idle#) 在sinfo. 节点自动转换为POWER_UP状态，什么时候Slurm将作业分配给POWER_SAVING状态。

  或者，也可以将节点转换到POWER_UP使用手动状态scontrol update nodename=nodename state=power_up命令。在这个阶段，ResumeProgram被调用、启动和配置 EC2 实例，并且节点将转换为POWER_UP状态。

• 当前可以使用的节点出现没有后缀（例如idle) 在sinfo. 设置完节点并加入群集后，它就可以运行作业。在此阶段，节点配置正确并可供使用。

  一般来说，我们建议 EC2 实例的数量与可用节点的数量相同。在大多数情况下，在创建群集之后，静态节点可用。

• 正在过渡到POWER_DOWNstate此时会显示%后缀（例如idle%) 在sinfo. 动态节点自动输入POWER_DOWN之后的状态ScaledownIdletime. 相比之下，在大多数情况下，静态节点没有关闭电源。但是，节点可以放置在POWER_DOWN使用手动状态scontrol update nodename=nodename state=powering_down命令。在此状态下，与节点关联的实例将被终止，并将该节点设置回POWER_SAVING状态并在之后可以使用ScaledownIdletime.

  这些区域有：ScaledownIdletime设置将保存到Slurm配置SuspendTimeout设置。

• 脱机的节点此时会显示*后缀（例如down*) 在sinfo. 如果Slurm控制器无法联系该节点，或者如果静态节点被禁用且备份实例被终止。

• 实例类型（例如c5.xlarge）

• 节点类型（这是dynamic要么static。)

• UP：表示分区处于活动状态。这是分区的默认状态。在此状态下，分区中的所有节点都处于活动状态，可供使用。

• INACTIVE：表示分区处于非活动状态。在此状态下，所有支持非活动分区节点的实例都将终止。不会为非活动分区中的节点启动新实例。

• 停止计算机队列-执行以下命令时，所有分区都会转换为INACTIVE状态，Amazon ParallelCluster进程将分区保留在INACTIVE状态。

  $ pcluster update-compute-fleet --cluster-name testSlurm \
     --region eu-west-1 --status STOP_REQUESTED

• 启动计算机队列-执行以下命令时，所有分区最初都会转换为UP状态。但是，Amazon ParallelCluster进程不会将分区保留在UP状态。你需要手动更改分区状态。几分钟后，所有静态节点都可用。请注意，将分区设置为UP不会启动任何动态容量。

  $ pcluster update-compute-fleet --cluster-name testSlurm \
     --region eu-west-1 --status START_REQUESTED

• STOP_REQUESTED：停止计算队列请求将发送到集群。

• STOPPING: 该pcluster进程目前正在停止计算队列。

• STOPPED: 该pcluster进程完成停止过程，所有分区都在INACTIVE状态，并且所有计算实例都被终止。

• START_REQUESTED：启动计算队列请求会发送到集群。

• STARTING: 该pcluster进程当前正在启动集群。

• RUNNING: 该pcluster进程完成了启动过程，所有分区都在UP状态和静态节点在几分钟后可用。

• PROTECTED：此状态表示某些分区存在一致的引导失败。受影响的分区不活动。请调查问题然后运行update-compute-fleet重新启用队列。

• 在中启动动态节点POWER_SAVINGstate

  运行scontrol update nodename=nodename state=power_up命令或提交占位符sleep 1Job 请求一定数量的节点然后依赖Slurm以启动所需数量的节点。

• 之前关闭动态节点ScaledownIdletime

  我们建议您将动态节点设置为DOWN使用scontrol update nodename=nodename state=down命令。Amazon ParallelCluster自动终止并重置已关闭的动态节点。

  通常，我们建议您不要将节点设置为POWER_DOWN直接使用scontrol update nodename=nodename state=power_down命令。这是因为Amazon ParallelCluster自动处理关闭电源过程。

• 禁用队列（分区）或停止特定分区中的所有静态节点

  将特定队列设置为INACTIVE使用scontrol update partition=queue name state=inactive命令。这样做将终止分区中支持节点的所有实例。

• 启用队列（分区）

  将特定队列设置为UP使用scontrol update partition=queue name state=up命令。

以下是普通扩展工作流程示例：

• 调度程序收到一个需要两个节点的作业。

• 调度程序将两个节点转换为POWER_UP州和电话ResumeProgram使用节点名称（例如queue1-dy-spotcompute1-[1-2])。

• ResumeProgram启动两个 EC2 实例并分配的私有 IP 地址和主机名queue1-dy-spotcompute1-[1-2]等待ResumeTimeout（默认时间为重置节点之前的 30 分钟。

• 实例已配置并加入群集。作业开始在实例上运行。

• 作业完成并停止运行。

• 在配置之后SuspendTime已过去（设置为ScaledownIdletime)，调度程序将实例设置为POWER_SAVING状态。然后调度程序设置queue1-dy-spotcompute1-[1-2]到POWER_DOWN州和电话SuspendProgram使用节点名称。

• SuspendProgram被称为两个节点。节点保留在POWER_DOWN例如，通过保持状态idle%对于SuspendTimeout（默认时间为 120 秒（2 分钟））。晚于clustermgtd检测到节点正在关闭电源，它会终止备份实例。然后，它会过渡queue1-dy-spotcompute1-[1-2]进入空闲状态，然后重置私有 IP 地址和主机名，以便准备为未来的作业启动电源。

如果出错而且由于某种原因无法启动特定节点的实例，则会发生以下情况：

• 调度程序收到一个需要两个节点的作业。

• 调度程序将两个云突发节点转换为POWER_UP州和电话ResumeProgram用节点名称，（例如queue1-dy-spotcompute1-[1-2])。

• ResumeProgram仅启动一 (1) 个 EC2 实例并配置queue1-dy-spotcompute1-1，使用一 (1) 个实例，queue1-dy-spotcompute1-2，未能启动。

• queue1-dy-spotcompute1-1没有受到影响并在到达后上线POWER_UP状态。

• queue1-dy-spotcompute1-2将其切换到POWER_DOWN状态，并且该作业会自动申请，因为Slurm检测到节点故障。

• queue1-dy-spotcompute1-2之后变为可用SuspendTimeout（默认值为 120 秒（2 分钟））。与此同时，该作业是需要的，可以在另一个节点上开始运行。

• 上述过程将重复，直到作业可以在可用节点上运行而不会发生故障。

如果需要，可以调整两个时序参数：

• ResumeTimeout（默认值为 30 分钟）：ResumeTimeout控制时间Slurm在将节点转换到关闭状态之前等待。

  • 延长可能会有用ResumeTimeout如果你的安装前/安装后过程需要将近那么长的时间。

  • ResumeTimeout也是最长时间Amazon ParallelCluster如果出现问题，请等待替换或重置节点。如果在启动或设置过程中发生任何错误，则计算节点自行终Amazon ParallelCluster进程在检测到已终止的实例时替换节点。

• SuspendTimeout（默认值为 120 秒（2 分钟））：SuspendTimeout控制节点重新放置到系统中并准备好再次使用的速度。

  • 更短SuspendTimeout意味着节点可以更快地重置，而且Slurm可以尝试更频繁地启动实例。

  • 更长SuspendTimeout意味着失败的节点重置速度更慢。与此同时，Slurm尝试使用其他节点。如果SuspendTimeout超过几分钟，Slurm尝试循环浏览系统中的所有节点。更长SuspendTimeout可能有利于大型系统（超过 1000 个节点）以减轻压力Slurm当它尝试经常重新排队失败的作业时。

  • 请注意SuspendTimeout不是指时间Amazon ParallelCluster等待终止节点的备份实例。支持实例POWER_DOWN节点立即终止。终止过程通常会在几分钟内完成。但是，在此期间，该节点将保留在POWER_DOWN状态并且不提供给调度程序使用。

• ResumeProgram: /var/log/parallelcluster/slurm_resume.log (slurm_resume)

• SuspendProgram: /var/log/parallelcluster/slurm_suspend.log (slurm_suspend)

• clustermgtd: /var/log/parallelcluster/clustermgtd.log (clustermgtd)

• computemgtd: /var/log/parallelcluster/computemgtd.log (computemgtd)

• slurmctld: /var/log/slurmctld.log (slurmctld)

• slurmd: /var/log/slurmd.log (slurmd)

• 动态节点：

  • 检查ResumeProgram登录以查看是否ResumeProgram是用节点调用的。如果没有，请检查slurmctld记录以确定是否Slurm试图打电话ResumeProgram与节点一起。请注意，上的权限不正确ResumeProgram可能会导致它默默失败。

  • 如果ResumeProgram被调用，请检查是否为该节点启动了实例。如果实例未启动，应该有明确的错误消息，说明为什么实例无法启动。

  • 如果启动了实例，在引导过程中可能出现了一些问题。从ResumeProgram日志并查看中特定实例的相应引导日志CloudWatch日志。

• 静态节点：

  • 检查clustermgtd日志以查看是否为该节点启动了实例。如果实例没有启动，那么实例无法启动的原因应该存在明显的错误。

  • 如果启动了实例，则引导过程存在一些问题。从clustermgtd日志并查看中特定实例的相应引导日志CloudWatch日志。

• 节点意外替换/终止：

  • 在大多数情况下，clustermgtd处理所有节点维护操作。检查是否clustermgtd替换或终止了节点，请检查clustermgtd日志。

  • 如果clustermgtd替换或终止了节点，则应该有一条消息指明该操作的原因。如果原因与调度程序相关（例如，节点是DOWN)，检查slurmctld有关更多信息，请登录。如果原因与 EC2 相关，请使用诸如亚马逊之类的工具CloudWatch或者AmazonEC2 控制台、CLI 或 SDK，用于检查该实例的状态或日志。例如，您可以检查实例是否有计划事件或 EC2 运行状况检查失败。

  • 如果clustermgtd没终止节点，请检查是否computemgtd终止了节点或者 EC2 终止了实例以回收竞价型实例。

• 节点故障：

  • 在大多数情况下，如果节点出现故障，则会自动对作业进行请求。查看slurmctld记录以查看作业或节点失败的原因并从那里评估情况。

• 一般来说，clustermgtd处理所有预期的实例终止操作。查看clustermgtd记录以查看为什么它无法替换或终止节点。

• 对于动态节点失败ScaledownIdletime，看SuspendProgram登录以查看是否slurmctld处理以特定节点作为参数进行调用。注意SuspendProgram实际上没有执行任何具体的操作。相反，它只会在调用时记录。所有实例终止和NodeAddr重置由以下方式完成clustermgtd.Slurm将节点转换到IDLE之后SuspendTimeout.

• Amazon ParallelCluster不做工作分配或扩展决策。它只会尝试启动、终止和维护资源Slurm的说明。

  有关作业分配、节点分配和扩展决策的问题，请查看slurmctld记录错误。