Guia do Slurm para o modo de várias filas

Aqui você pode aprender como AWS ParallelCluster Slurm gerenciar nós de fila (partição) e como monitorar os estados da fila e do nó.

Visão geral

A arquitetura de escalabilidade é baseada no Cloud Scheduling Guide do Slurm e no plug-in de economia de energia. Para obter mais informações sobre o plug-in de economia de energia, consulte o Guia de economia de energia do Slurm. Na arquitetura, os recursos com potencial para serem disponibilizados em um cluster geralmente são predefinidos na configuração do Slurm como nós de nuvem.

Ciclo de vida do nó da nuvem

Durante todo o ciclo de vida, os nós da nuvem entram em vários, se não em todos, dos seguintes estados: POWER_SAVING, POWER_UP (pow_up), ALLOCATED (alloc) e POWER_DOWN (pow_dn). Em alguns casos, um nó da nuvem pode entrar no estado OFFLINE. A lista a seguir detalha vários aspectos desses estados no ciclo de vida do nó na nuvem.

• Um nó em um estado POWER_SAVING aparece com um sufixo ~ (por exemplo, idle~) em sinfo. Nesse estado, nenhuma instância do EC2 serve de apoio ao nó. No entanto, Slurm ainda pode alocar trabalhos para o nó.

• Um nó em transição para um estado POWER_UP aparece com um sufixo # (por exemplo, idle#) em sinfo. Um nó faz a transição automática para um estado POWER_UP quando Slurm aloca uma tarefa para um nó em um estado POWER_SAVING.

  Como alternativa, você pode fazer manualmente a transição dos nós para o estado POWER_UP como usuário raiz su com o comando:

  $ scontrol update nodename=nodename state=power_up

  Nesse estágio, o ResumeProgram é invocado, as instâncias do EC2 são iniciadas e configuradas, e ocorre a transição do nó para o estado POWER_UP.

• Um nó atualmente disponível para uso aparece sem um sufixo (por exemplo idle) em sinfo. Depois que o nó é configurado e se une ao cluster, ele fica disponível para executar trabalhos. Nesse estágio, o nó está configurado corretamente e pronto para uso.

  Como regra geral, recomendamos que o número de instâncias do Amazon EC2 seja igual ao número de nós disponíveis. Na maioria dos casos, os nós estáticos ficam disponíveis após a criação do cluster.

• Um nó em transição para um estado POWER_DOWN aparece com um sufixo % (por exemplo, idle%) em sinfo. Os nós dinâmicos entram automaticamente no estado POWER_DOWN depois do ScaledownIdletime. Por outro lado, os nós estáticos na maioria dos casos não são desligados. No entanto, você pode colocar os nós no estado POWER_DOWN manualmente como usuário raiz su com o comando:

  $ scontrol update nodename=nodename state=down reason="manual draining"

  Nesse estado, as instâncias associadas a um nó são encerradas e o nó volta ao estado POWER_SAVING e fica disponível para uso após o ScaledownIdletime.

  A opção ScaledownIdletime é salva na opção SuspendTimeout da configuração Slurm.

• Um nó que está off-line aparece com um sufixo * (por exemplo, down*) em sinfo. Um nó fica off-line se o controlador Slurm não conseguir entrar em contato com o nó ou se os nós estáticos forem desativados e as instâncias de backup forem encerradas.

Considere os estados dos nós mostrados no exemplo sinfo a seguir.

$ 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]

Os nós spot-st-spotcompute2-[1-2] e efa-st-efacompute1-1 já têm instâncias de backup configuradas e estão disponíveis para uso. Os nós ondemand-dy-ondemandcompute1-[1-2] estão no estado POWER_UP e devem estar disponíveis em instantes. O nó gpu-dy-gpucompute1-1 está no estado POWER_DOWN e passa para o estado POWER_SAVING depois de ScaledownIdletime (o padrão é 10 minutos).

Todos os outros nós estão no estado POWER_SAVING sem nenhuma instância do EC2 como backup.

Trabalhando com um nó disponível

Um nó disponível é apoiado por uma instância do Amazon EC2. Por padrão, o nome do nó pode ser usado para fazer SSH diretamente na instância (por exemplo, ssh efa-st-efacompute1-1). O endereço IP privado da instância pode ser recuperado usando o comando:

$ scontrol show nodes nodename

Verifique o endereço IP exibido no campo NodeAddr.

Para nós que não estão disponíveis, o NodeAddr campo não deve apontar para uma instância do Amazon EC2 em execução. Em vez disso, deve ser igual ao nome do nó.

Estados do trabalho e envio

Na maioria dos casos, os trabalhos enviados são imediatamente alocados aos nós do sistema ou colocados como pendentes se todos os nós estiverem alocados.

Se os nós alocados para um trabalho incluírem qualquer nó em um estado POWER_SAVING, o trabalho começará com um estado CF ou CONFIGURING. Nesse momento, o trabalho aguarda para que os nós no estado POWER_SAVING façam a transição para o estado POWER_UP e fiquem disponíveis.

Depois que todos os nós alocados para uma trabalho estiverem disponíveis, o trabalho entrará no estado RUNNING (R).

Por padrão, todos os trabalhos são enviados para a fila padrão (conhecida como partição em Slurm). Isso é representado por um sufixo * após o nome da fila. Você pode selecionar uma fila usando a opção de envio de trabalho -p.

Todos os nós são configurados com os seguintes recursos, que podem ser usados nos comandos de envio de tarefas:

• Um tipo de instância (por exemplo, c5.xlarge)

• Um tipo de nó (que pode ser dynamic ou static.)

Você pode ver os recursos de um determinado nó usando o comando:

$ scontrol show nodes nodename

Quando retornar, confira a lista AvailableFeatures.

Considere o estado inicial do cluster, que você pode ver executando o comando sinfo.

$ 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]

Observe que a lista padrão é spot. É indicada pelo sufixo *.

Envia um trabalho para um nó estático na fila padrão (spot).

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

Envia um trabalho para um nó dinâmico na fila EFA.

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

Envia um trabalho para oito (8) nós c5.2xlarge e dois (2) nós t2.xlarge na fila ondemand.

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

Envia um trabalho para um nó da GPU na fila gpu.

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

Considere o estado dos trabalhos usando o comando squeue.

$ 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

Os trabalhos 7 e 8 (nas filas spot e efa) já estão em execução (R). Os trabalhos 12 e 13 ainda estão com configuração em andamento (CF), provavelmente aguardando a disponibilização das instâncias.

# 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 

Recursos e estado do nó

Na maioria dos casos, os estados dos nós são totalmente gerenciados de AWS ParallelCluster acordo com os processos específicos no ciclo de vida do nó na nuvem descritos anteriormente neste tópico.

No entanto, AWS ParallelCluster também substitui ou encerra nós não íntegros em DRAINED estados DOWN e nós que têm instâncias de backup não íntegras. Para ter mais informações, consulte clustermgtd.

Estados de partição

AWS ParallelCluster suporta os seguintes estados de partição. Uma partição Slurm é uma fila no AWS ParallelCluster.

• UP: indica que a partição está em um estado ativo. Esse é o valor padrão de uma partição. Nesse estado, todos os nós da partição ficam ativos e disponíveis para uso.

• INACTIVE: indica que a partição está em um estado inativo. Nesse estado, todas as instâncias de backup dos nós de uma partição inativa são encerradas. Novas instâncias não são iniciadas para nós em uma partição inativa.

cluster update-compute-fleet

• Interrompendo a frota de computação - Quando o comando a seguir é executado, todas as partições passam para o INACTIVE estado e AWS ParallelCluster os processos mantêm as partições no estado. INACTIVE

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

• Iniciando a frota de computação - Quando o comando a seguir é executado, todas as partições inicialmente passam para o estado UP. No entanto, AWS ParallelCluster os processos não mantêm a partição em um UP estado. Você precisa alterar os estados das partições manualmente. Todos os nós estáticos ficam disponíveis após alguns minutos. Observe que definir uma partição como UP não ativa nenhuma capacidade dinâmica.

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

Quando update-compute-fleet executado, você pode verificar o estado do cluster executando o comando pcluster describe-compute-fleet e verificando Status. A seguir, listamos estados possíveis:

• STOP_REQUESTED: a solicitação de interrupção da frota de computação é enviada ao cluster.

• STOPPING: no momento, o processo pcluster está interrompendo a frota de computação.

• STOPPED: o processo pcluster finalizou o processo de interrupção, todas as partições estão em estado INACTIVE e todas as instâncias de computação foram encerradas.

• START_REQUESTED: a solicitação de inicialização da frota de computação é enviada ao cluster.

• STARTING: o processo pcluster está iniciando o cluster no momento.

• RUNNING: o processo pcluster finalizou o processo inicial, todas as partições estão no estado UP e os nós estáticos ficam disponíveis após alguns minutos.

• PROTECTED: esse status indica que algumas partições têm falhas de bootstrap consistentes. As partições afetadas estão inativas. Investigue o problema e, em seguida, execute update-compute-fleet para reativar a frota.

Controle manual de filas

Em alguns casos, talvez você queira ter algum controle manual sobre os nós ou sobre a fila (conhecida como partição em Slurm) em um cluster. Você pode gerenciar nós em um cluster por meio dos seguintes procedimentos comuns usando o comando scontrol.

• Ative os nós dinâmicos no estado POWER_SAVING

  Execute o comando como usuário raiz su:

  $ scontrol update nodename=nodename state=power_up

  Você também pode enviar um trabalho sleep 1 como espaço reservado, solicitando um determinado número de nós e, em seguida, contar com o Slurm para ativação do número necessário de nós.

• Desligue os nós dinâmicos antes de ScaledownIdletime

  Recomendamos que você defina nós dinâmicos para DOWN como usuário raiz su com o comando:

  $ scontrol update nodename=nodename state=down reason="manually draining"

  AWS ParallelCluster encerra e redefine automaticamente os nós dinâmicos abatidos.

  Em geral, não recomendamos definir os nós para POWER_DOWN diretamente com o comando scontrol update nodename=nodename state=power_down. Isso porque AWS ParallelCluster gerencia automaticamente o processo de desligamento.

• Desativar uma fila (partição) ou interromper todos os nós estáticos em uma partição específica

  Defina uma fila específica para INACTIVE como usuário raiz su com o comando:

  $ scontrol update partition=queuename state=inactive

  Isso encerra todas as instâncias de backup de nós na partição.

• Ativar uma fila (partição)

  Defina uma fila específica para UP como usuário raiz su com o comando:

  $ scontrol update partition=queuename state=up

Comportamento e ajustes de escalabilidade

Veja a seguir o exemplo do fluxo de trabalho de escalabilidade normal:

• O programador recebe um trabalho que requer dois nós.

• O programador faz a transição de dois nós para um estado POWER_UP e chama ResumeProgram com os nomes dos nós (por exemplo, queue1-dy-spotcompute1-[1-2]).

• ResumePrograminicia duas instâncias do Amazon EC2 e atribui os endereços IP e nomes de host privados dequeue1-dy-spotcompute1-[1-2], aguardando ResumeTimeout (o período padrão é de 30 minutos) antes de redefinir os nós.

• As instâncias são configuradas e se unem ao cluster. Um trabalho começa a ser executado nas instâncias.

• O trabalho é concluído e para de ser executado.

• Depois de decorrido o SuspendTime configurado (que está definido como ScaledownIdletime), o programador define as instâncias para o estado POWER_SAVING. Em seguida, o programador define queue1-dy-spotcompute1-[1-2] para o estado POWER_DOWN e chama SuspendProgram com os nomes dos nós.

• SuspendProgram é chamado para dois nós. Os nós permanecem no estado POWER_DOWN, por exemplo, permanecendo idle% por um SuspendTimeout (o período padrão é 120 segundos (2 minutos)). Depois de clustermgtd detectar que os nós estão sendo desligados, ele encerra as instâncias de backup. Em seguida, ele passa queue1-dy-spotcompute1-[1-2] para o estado ocioso e redefine o endereço IP privado e o nome do host para que esteja pronto para ser ativado em trabalhos futuros.

Se algo der errado e uma instância de um determinado nó não puder ser iniciada por algum motivo, acontece o seguinte:

• O programador recebe um trabalho que requer dois nós.

• O programador faz a transição de dois nós de expansão na nuvem para o estado POWER_UP e chama ResumeProgram com os nomes dos nós (por exemplo queue1-dy-spotcompute1-[1-2]).

• ResumePrograminicia somente uma (1) instância do Amazon EC2 e configuraqueue1-dy-spotcompute1-1, com uma (1) instânciaqueue1-dy-spotcompute1-2, falhando ao iniciar.

• queue1-dy-spotcompute1-1 não é afetado e fica on-line depois de chegar ao estado POWER_UP.

• queue1-dy-spotcompute1-2 faz a transição para o estado POWER_DOWN e o trabalho é enfileirado automaticamente porque Slurm detecta uma falha no nó.

• queue1-dy-spotcompute1-2 fica disponível após SuspendTimeout (o padrão é 120 segundos (2 minutos)). Enquanto isso, o trabalho é recolocado na fila e pode começar a ser executado em outro nó.

• O processo acima se repete até que o trabalho possa ser executado em um nó disponível sem que ocorra uma falha.

Há dois parâmetros de temporização que podem ser ajustados, se necessário:

• ResumeTimeout (o padrão é 30 minutos): ResumeTimeout controla o tempo que Slurm espera antes da transição do nó para o estado inativo.

  • Pode ser útil estender ResumeTimeout se o processo de pré/pós-instalação demorar tanto assim.

  • ResumeTimeout também é o tempo máximo que AWS ParallelCluster espera antes de substituir ou redefinir um nó se houver algum problema. Os nós de computação terminam automaticamente se ocorrer algum erro durante a inicialização ou a configuração. AWS ParallelCluster os processos substituem um nó após a detecção de uma instância encerrada.

• SuspendTimeout (o padrão é 120 segundos (2 minutos)): SuspendTimeout controla a rapidez com que os nós são colocados de volta no sistema e que ficam prontos para uso novamente.

  • Um SuspendTimeout menor significa que os nós são redefinidos mais rapidamente e que Slurm pode tentar executar instâncias com mais frequência.

  • Um SuspendTimeout mais longo significa que os nós com falha são reinicializados mais lentamente. Enquanto isso, Slurm tenta usar outros nós. Se SuspendTimeout demorar mais do que alguns minutos, Slurm tenta percorrer todos os nós do sistema. Um SuspendTimeout mais longo pode ser benéfico para sistemas de grande escala (mais de 1.000 nós) para reduzir o estresse em Slurm enquanto ele tenta enfileirar novamente os trabalhos que falham com frequência.

  • Observe que SuspendTimeout isso não se refere ao tempo de AWS ParallelCluster espera para encerrar uma instância de apoio para um nó. As instâncias de backup para nós de POWER_DOWN são encerradas imediatamente. O processo de encerramento geralmente é concluído em alguns minutos. No entanto, durante esse período, o nó permanece no estado POWER_DOWN e não fica disponível para uso do programador.

Logs para a arquitetura

A lista a seguir contém os logs chave. O nome do stream de log usado com o Amazon CloudWatch Logs tem o formato{hostname}.{instance_id}.{logIdentifier}, em que LogiDentifier segue os nomes dos registros.

• 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)

Problemas comuns e como depurar:

Nós que falharam ao iniciar, ativar ou ingressar no cluster

• Nós dinâmicos:

  • Verifique o log ResumeProgram para ver se ResumeProgram foi chamado com o nó. Caso contrário, verifique o log slurmctld para determinar se Slurm tentou chamar ResumeProgram com o nó. Observe que permissões incorretas em ResumeProgram podem fazer com que ele falhe silenciosamente.

  • Se ResumeProgram for chamado, verifique se uma instância foi executada para o nó. Se a instância não foi iniciada, deve haver uma mensagem de erro clara sobre o motivo da falha na inicialização da instância.

  • Se uma instância foi iniciada, pode ter havido algum problema durante o processo de bootstrap. Encontre o endereço IP privado e o ID da instância correspondentes no ResumeProgram registro e veja os registros de bootstrap correspondentes para a instância específica em CloudWatch Logs.

• Nós estáticos:

  • Verifique o log clustermgtd para ver se foram iniciadas instâncias para o nó. Se as instâncias não iniciarem, deve haver mensagens de erro claras sobre o motivo da falha na inicialização da instância.

  • Se uma instância foi iniciada, houve algum problema com o processo de bootstrap. Encontre o IP privado e o ID da instância correspondentes no clustermgtd registro e veja os registros de bootstrap correspondentes para a instância específica em CloudWatch Logs.

Nódulos substituídos ou encerrados inesperadamente e falhas nos nós

• Nós substituídos/encerrados inesperadamente:

  • Na maioria dos casos, clustermgtd lida com todas as ações de manutenção do nó. Para verificar se um nó foi clustermgtd substituído ou encerrado, verifique o log clustermgtd.

  • Se clustermgtd tiver substituído ou encerrado o nó, deverá haver uma mensagem indicando o motivo da ação. Se o motivo estiver relacionado com o programador (por exemplo, o nó for DOWN), verifique o log slurmctld para obter mais detalhes. Se o motivo estiver relacionado ao Amazon EC2, use ferramentas como a Amazon CloudWatch ou o console do Amazon EC2, a CLI ou os SDKs para verificar o status ou os registros dessa instância. Por exemplo, você pode verificar se a instância tinha eventos programados ou falhou nas verificações do status de saúde do Amazon EC2.

  • Se clustermgtd não encerrou o nó, verifique se o nó foi encerrado por computemgtd ou se a instância foi encerrada pelo EC2 para recuperar uma instância Spot.

• Falhas do nó:

  • Na maioria dos casos, os trabalhos são automaticamente enfileirados se um nó falhar. Examine o log slurmctld para ver por que um trabalho ou um nó falhou e avalie a situação a partir daí.

Falha ao substituir ou encerrar instâncias, falha ao desligar os nós

• Em geral, clustermgtd lida com todas as ações esperadas de encerramento da instância. Examine o log clustermgtd para ver por que ele não conseguiu substituir ou encerrar um nó.

• Se os nós dinâmicos falharem por ScaledownIdletime, consulte o log SuspendProgram para ver se os processos slurmctld fizeram chamadas com o nó específico como argumento. Na verdade, SuspendProgram não executa nenhuma ação específica. Em vez disso, ele só cria logs quando é chamado. Todos os encerramentos de instâncias e redefinições de NodeAddr são concluídos por clustermgtd. Slurm faz a transição dos nós para IDLE após SuspendTimeout.

Outros problemas:

• AWS ParallelCluster não toma decisões de alocação de tarefas ou escalabilidade. Ele só tenta iniciar, encerrar e manter os recursos de acordo com as instruções do Slurm.

  Para problemas relacionados à alocação de trabalhos, alocação de nós e decisão de escalabilidade, consulte o log slurmctld em busca de erros.