Slurm多队列模式指南 - Amazon ParallelCluster
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异,请参阅中国的 Amazon Web Services 服务入门

本文属于机器翻译版本。若本译文内容与英语原文存在差异,则一律以英文原文为准。

Slurm多队列模式指南

以下各节提供了有关将 Surm 群集与扩展架构结合使用的概述。

概览

扩展架构基于Slurm的云计划指南和省电插件。有关节能插件的更多信息,请参阅Slurm节能指南. 在体系结构中,可能可供群集使用的资源通常在Slurm配置为云节点。

云节点生命周期

在整个生命周期中,云节点进入几个(如果不是全部)以下状态:POWER_SAVINGPOWER_UP(pow_up),ALLOCATED(alloc),以及POWER_DOWN(pow_dn)。在某些情况下,云节点可能会进入OFFLINE状态。以下列表详细介绍了云节点生命周期中这些状态的几个方面。

  • 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。

请考虑以下内容所示的节点状态sinfo示例。

$ sinfo PARTITION AVAIL TIMELIMIT NODES STATE NODELIST efa up infinite 4 idle~ efa-dy-efacompute1-[1-4] efa up infinite 1 idle efa-st-efacompute1-1 gpu up infinite 1 idle% gpu-dy-gpucompute1-1 gpu up infinite 9 idle~ gpu-dy-gpucompute1-[2-10] ondemand up infinite 2 mix# ondemand-dy-ondemandcompute1-[1-2] ondemand up infinite 18 idle~ ondemand-dy-ondemandcompute1-[3-10],ondemand-dy-ondemandcompute2-[1-10] spot* up infinite 13 idle~ spot-dy-spotcompute1-[1-10],spot-dy-spotcompute2-[1-3] spot* up infinite 2 idle spot-st-spotcompute2-[1-2]

这些区域有:spot-st-spotcompute2-[1-2]efa-st-efacompute1-1节点已经设置了备份实例并可供使用。这些区域有:ondemand-dy-ondemandcompute1-[1-2]节点位于POWER_UP状态并且应在几分钟内可用。这些区域有:gpu-dy-gpucompute1-1节点位于POWER_DOWN状态,然后转变为POWER_SAVING之后的状态ScaledownIdletime(默认为 10 分钟)。

所有其他节点都在POWER_SAVING状态没有 EC2 实例支持它们。

使用可用节点

可用节点由 EC2 实例提供支持。默认情况下,可以使用节点名称直接 SSH 进入实例(例如ssh efa-st-efacompute1-1)。可以使用scontrol show nodes nodename命令并检查NodeAddr字段中返回的子位置类型。

对于不提供的节点,NodeAddr字段不应指向正在运行的 EC2 实例。相反,它应该与节点名称相同。

Job 状态和提交

在大多数情况下,提交的作业会立即分配给系统中的节点,如果所有节点都已分配,则将其置于挂起状态。

如果分配给作业的节点包括POWER_SAVING状态,工作从一开始CF,或者CONFIGURING状态。此时,作业正在等待POWER_SAVING状态将其切换到POWER_UP状态并变为可用。

分配给作业的所有节点都可用之后,作业将进入RUNNING(R状态。

默认情况下,所有作业都提交到默认队列(称为中的分区)Slurm)。这表示的是*队列名称后面的后缀。您可以使用-p作业提交选项。

所有节点都配置了以下功能,可在作业提交命令中使用:

  • 实例类型(例如c5.xlarge

  • 节点类型(这是dynamic要么static。)

您可以通过使用scontrol show nodes nodename命令并检查AvailableFeatures列表。

考虑群集的初始状态,您可以通过运行sinfo命令。

$ sinfo PARTITION AVAIL TIMELIMIT NODES STATE NODELIST efa up infinite 4 idle~ efa-dy-efacompute1-[1-4] efa up infinite 1 idle efa-st-efacompute1-1 gpu up infinite 10 idle~ gpu-dy-gpucompute1-[1-10] ondemand up infinite 20 idle~ ondemand-dy-ondemandcompute1-[1-10],ondemand-dy-ondemandcompute2-[1-10] spot* up infinite 13 idle~ spot-dy-spotcompute1-[1-10],spot-dy-spotcompute2-[1-3] spot* up infinite 2 idle spot-st-spotcompute2-[1-2]

请注意spot是默认队列。它由*后缀。

将作业提交到默认队列中的一个静态节点 (spot)。

$ sbatch --wrap "sleep 300" -N 1 -C static

将作业提交到中的一个动态节点EFAqueue.

$ sbatch --wrap "sleep 300" -p efa -C dynamic

向八 (8) 提交工作c5.2xlarge节点和两 (2)t2.xlarge中的节点ondemandqueue.

$ sbatch --wrap "sleep 300" -p ondemand -N 10 -C "[c5.2xlarge*8&t2.xlarge*2]"

将作业提交到中的一个 GPU 节点gpuqueue.

$ sbatch --wrap "sleep 300" -p gpu -G 1

使用squeue命令。

$ squeue JOBID PARTITION NAME USER ST TIME NODES NODELIST(REASON) 12 ondemand wrap ubuntu CF 0:36 10 ondemand-dy-ondemandcompute1-[1-8],ondemand-dy-ondemandcompute2-[1-2] 13 gpu wrap ubuntu CF 0:05 1 gpu-dy-gpucompute1-1 7 spot wrap ubuntu R 2:48 1 spot-st-spotcompute2-1 8 efa wrap ubuntu R 0:39 1 efa-dy-efacompute1-1

乔布 7 和 8(在spotefa已运行队列)R)。作业 12 和 13 仍在配置中(CF),可能等待实例可用。

# Nodes states corresponds to state of running jobs $ sinfo PARTITION AVAIL TIMELIMIT NODES STATE NODELIST efa up infinite 3 idle~ efa-dy-efacompute1-[2-4] efa up infinite 1 mix efa-dy-efacompute1-1 efa up infinite 1 idle efa-st-efacompute1-1 gpu up infinite 1 mix~ gpu-dy-gpucompute1-1 gpu up infinite 9 idle~ gpu-dy-gpucompute1-[2-10] ondemand up infinite 10 mix# ondemand-dy-ondemandcompute1-[1-8],ondemand-dy-ondemandcompute2-[1-2] ondemand up infinite 10 idle~ ondemand-dy-ondemandcompute1-[9-10],ondemand-dy-ondemandcompute2-[3-10] spot* up infinite 13 idle~ spot-dy-spotcompute1-[1-10],spot-dy-spotcompute2-[1-3] spot* up infinite 1 mix spot-st-spotcompute2-1 spot* up infinite 1 idle spot-st-spotcompute2-2

节点状态和功能

在大多数情况下,节点状态完全由Amazon ParallelCluster根据本主题前面介绍的云节点生命周期中的具体流程而定。

但是,Amazon ParallelCluster还会在中替换或终止运行状况不佳的节点DOWNDRAINED具有运行状况不佳的支持实例的状态和节点。有关更多信息,请参阅 clustermgtd

分区状态

Amazon ParallelCluster支持以下分区状态。一个Slurm分区是中的队列Amazon ParallelCluster.

  • 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。

pclusterupdate-compute-fleet

  • 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

何时update-compute-fleet已运行,您可以通过运行pcluster describe-compute-fleet命令并检查Status. 以下列出了可能的状态:

  • 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。

手动控制队列

在某些情况下,您可能希望对中的节点或队列(称为分区)进行某些操作。Slurm) 在群集中。您可以通过以下常见过程管理群集中的节点。

  • 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。

扩展行为和调整

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]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。

架构的日志

以下列表包含关键日志。亚马逊使用的日志流名称CloudWatch日志的格式为{hostname}.{instance_id}.{logIdentifier},其中logIdentifier跟随日志名称。

  • 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)

常见问题以及如何调试:

无法启动、启动或加入群集的节点

  • 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。

节点意外被替换或终止,以及节点故障

  • 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。

替换或终止实例时失败,关闭节点电源时出现故障

  • 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.

其他问题:

  • 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。