Slurm 多队列模式指南 - AWS ParallelCluster
概述云节点生命周期使用可用节点作业状态和提交节点状态和特征分区状态集群 update-compute-fleet队列的手动控制扩展行为和调整架构的日志常见问题以及调试方法：

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

在这里，您可以了解如何 AWS ParallelCluster Slurm和管理队列（分区）节点，以及如何监控队列和节点状态。

概述

扩展架构基于 Slurm 的云调度指南和节能插件。有关节能插件的更多信息，请参阅 Slurm Power Saving Guide。在该架构中，可能可供集群使用的资源通常在 Slurm 配置中预定义为云节点。

云节点生命周期

在整个生命周期中，云节点会进入以下几种（如果不是全部）状态：POWER_SAVING、POWER_UP (pow_up)、ALLOCATED (alloc) 和 POWER_DOWN (pow_dn)。在某些情况下，云节点可能会进入 OFFLINE 状态。下面的列表详细介绍了云节点生命周期中这些状态的几个方面。

  • 处于 POWER_SAVING 状态的节点在 sinfo 中显示 ~ 后缀（例如 idle~） 在这种状态下，没有支持该节点的 EC2 实例。但 Slurm 仍然可以向该节点分配作业。

  • 正在过渡到 POWER_UP 状态的节点将在 sinfo 中显示 # 后缀（例如 idle#）。当 Slurm 向处于 POWER_SAVING 状态的节点分配作业时，该节点会自动转变为 POWER_UP 状态。

    或者，您可以以 su 根用户身份使用以下命令将节点手动转变为 POWER_UP 状态：

    $ scontrol update nodename=nodename state=power_up

    在此阶段，将调用 ResumeProgram，启动并配置 EC2 实例，并且节点会过渡到 POWER_UP 状态。

  • 当前可供使用的节点在 sinfo 中不显示后缀（例如 idle）。节点设置完毕并加入集群后，即可用于运行作业。在此阶段，节点已正确配置并可供使用。

    一般而言，我们建议 Amazon EC2 实例的数量与可用节点的数量相同。在大多数情况下，在创建集群后，静态节点即可用。

  • 正在过渡到 POWER_DOWN 状态的节点在 sinfo 中显示 % 后缀（例如 idle%）。经过 ScaledownIdletime 之后，动态节点会自动进入 POWER_DOWN 状态。相比之下，静态节点在大多数情况下不会关闭。但您可以以 su 根用户身份使用以下命令将节点手动置于 POWER_DOWN 状态：

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

    在此状态下，与节点关联的实例将会终止，节点将设置回 POWER_SAVING 状态并在经过 ScaledownIdletime 之后可供使用。

    ScaledownIdletime 设置保存到 Slurm 配置中的 SuspendTimeout 设置。

  • 离线的节点将在 sinfo 中显示 * 后缀（例如 down*）。如果 Slurm 控制器无法联系某个节点，或者静态节点被禁用并且支持实例被终止，则该节点将会离线。

请考虑以下 sinfo 示例中所示的节点状态。

$ 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]

spot-st-spotcompute2-[1-2] 和 efa-st-efacompute1-1 节点已经设置了支持实例，并且可供使用。ondemand-dy-ondemandcompute1-[1-2] 节点处于 POWER_UP 状态，应会在几分钟内可用。gpu-dy-gpucompute1-1 节点处于 POWER_DOWN 状态，它将在 ScaledownIdletime（默认为 10 分钟）之后过渡到 POWER_SAVING 状态。

所有其他节点都处于 POWER_SAVING 状态，没有支持它们的 EC2 实例。

使用可用节点

可用节点由 Amazon EC2 实例提供支持。默认情况下，可以使用节点名称直接通过 SSH 加入到实例中（例如 ssh efa-st-efacompute1-1）。可以使用以下命令来检索实例的私有 IP 地址：

$ scontrol show nodes nodename

在返回的 NodeAddr 字段中检查 IP 地址。

对于不可用的节点，该NodeAddr字段不应指向正在运行的 Amazon EC2 实例。而是应与节点名称相同。

作业状态和提交

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

如果为作业分配的节点包括任何处于 POWER_SAVING 状态的节点，则该作业将以 CF 或 CONFIGURING 状态开始。此时，该作业将会等待处于 POWER_SAVING 状态的节点过渡到 POWER_UP 状态并变为可用。

为作业分配的所有节点都可用后，该作业将进入 RUNNING (R) 状态。

默认情况下，所有作业都提交到默认队列（在 Slurm 中称为分区）。此队列由队列名称后面的后缀 * 表示。您可以使用 -p 作业提交选项选择队列。

所有节点都配置了以下特征，这些特征可以在作业提交命令中使用：

  • 实例类型（例如 c5.xlarge）。

  • 节点类型（dynamic 或 static。）

您可以使用以下命令查看特定节点的特征：

$ scontrol show nodes nodename

在返回的结果中，查看 AvailableFeatures 列表。

考虑集群的初始状态，可以通过运行 sinfo 命令来查看该状态。

$ 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 * 后缀表示。

向默认队列 (spot) 中的一个静态节点提交作业。

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

向 EFA 队列中的一个动态节点提交作业。

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

向 ondemand 队列中的八 (8) 个 c5.2xlarge 节点和两 (2) 个 t2.xlarge 节点提交作业。

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

向 gpu 队列中的一个 GPU 节点提交作业。

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

考虑使用 squeue 命令的作业状态。

$ 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

作业 7 和 8（在 spot 和 efa 队列中）已经在运行 (R)。作业 12 和 13 仍在配置 (CF)，可能正在等待实例变为可用。

# 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

节点状态和特征

在大多数情况下，节点状态完全由 AWS ParallelCluster 根据本主题前面所述的云节点生命周期中的特定流程进行管理。

但是， AWS ParallelCluster 还会替换或终止处于不健康DRAINED状态的节点DOWN和具有不健康后备实例的节点。有关更多信息，请参阅 clustermgtd。

分区状态

AWS ParallelCluster 支持以下分区状态。Slurm 分区就是 AWS ParallelCluster中的队列。

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

  • INACTIVE：表示该分区处于非活动状态。在此状态下，将会终止支持非活动分区的节点的所有实例。不会为非活动分区中的节点启动新实例。

集群 update-compute-fleet

  • 停止计算队列-执行以下命令时，所有分区都将INACTIVE转换为状态， AWS ParallelCluster 进程将分区保持INACTIVE状态。

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

  • 启动计算实例集 - 执行以下命令时，所有分区最初都将转变为 UP 状态。但是， AWS ParallelCluster 进程不会使分区保持UP状态。您需要手动更改分区状态。所有静态节点将在几分钟后变为可用。请注意，将分区设置为 UP 不会增加任何动态容量。

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

当运行 update-compute-fleet 时，您可以通过运行 pcluster describe-compute-fleet 命令并检查 Status 来查看集群的状态。下面列出了可能的状态：

  • STOP_REQUESTED：停止计算实例集请求已发送到集群。

  • STOPPING：pcluster 进程当前正在停止计算实例集。

  • STOPPED：pcluster 进程已完成停止进程，所有分区都处于 INACTIVE 状态，并且所有计算实例都已终止。

  • START_REQUESTED：启动计算实例集请求已发送到集群。

  • STARTING：pcluster 进程当前正在启动集群。

  • RUNNING：pcluster 进程已完成启动过程，所有分区都处于 UP 状态，静态节点将在几分钟后可用。

  • PROTECTED：此状态表示某些分区持续出现引导故障。受影响的分区处于非活动状态。请调查问题，然后运行 update-compute-fleet 以重新启用该实例集。

队列的手动控制

在某些情况下，您可能需要对集群中的节点或队列（在 Slurm 中称为分区）进行一些手动控制。您可以使用 scontrol 命令通过以下常用过程管理集群中的节点。

  • 启动处于 POWER_SAVING 状态的动态节点

    su以根用户身份运行以下命令：

    $ scontrol update nodename=nodename state=power_up

    您也可以提交占位符 sleep 1 作业，请求一定数量的节点，然后依赖于 Slurm 来启动所需数量的节点。

  • 在 ScaledownIdletime 之前关闭动态节点

    我们建议您以 su 根用户身份使用以下命令将动态节点设置为 DOWN：

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

    AWS ParallelCluster 自动终止并重置已关闭的动态节点。

    通常，我们不建议直接使用 scontrol update nodename=nodename state=power_down 命令将节点设置为 POWER_DOWN。这是因为 AWS ParallelCluster 会自动处理关闭过程，

  • 禁用队列（分区）或停止特定分区中的所有静态节点

    以 su 根用户身份使用以下命令将特定队列设置为 INACTIVE：

    $ scontrol update partition=queuename state=inactive

    此操作会终止支持该分区中节点的所有实例。

  • 启用队列（分区）

    以 su 根用户身份使用以下命令将特定队列设置为 UP：

    $ scontrol update partition=queuename state=up

扩展行为和调整

下面是正常扩展工作流程的示例：

  • 调度器收到需要两个节点的作业。

  • 调度器将两个节点转换为 POWER_UP 状态，并使用节点名称（例如 queue1-dy-spotcompute1-[1-2]）调用 ResumeProgram。

  • ResumeProgram启动两个 Amazon 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 30 分钟），然后重置节点。

  • 实例配置完成并加入集群。作业开始在实例上运行。

  • 作业完成并停止运行。

  • 经过配置的 SuspendTime（设置为 ScaledownIdletime）后，调度器将实例设置为 POWER_SAVING 状态。然后，调度器将 queue1-dy-spotcompute1-[1-2] 设置为 POWER_DOWN 状态并使用节点名称调用 SuspendProgram。

  • 为两个节点调用 SuspendProgram。节点保持在 POWER_DOWN 状态，例如通过保持 idle% 状态持续 SuspendTimeout（默认时段为 120 秒（2 分钟））。在 clustermgtd 检测到节点正在关闭后，它会终止支持实例。然后，它将 queue1-dy-spotcompute1-[1-2] 转变到空闲状态并重置私有 IP 地址和主机名，使其能够启动以供将来的作业使用。

如果出现问题，特定节点的某个实例由于某种原因无法启动，则会发生以下情况：

  • 调度器收到需要两个节点的作业。

  • 调度器将两个云爆发节点转变为 POWER_UP 状态，并使用节点名称（例如 queue1-dy-spotcompute1-[1-2]）调用 ResumeProgram。

  • ResumeProgram仅启动一个 (1) 个 Amazon EC2 实例queue1-dy-spotcompute1-1，并配置一个 (1) 个实例无法启动。queue1-dy-spotcompute1-2

  • queue1-dy-spotcompute1-1 未受影响，并在进入 POWER_UP 状态后上线。

  • queue1-dy-spotcompute1-2 转变为 POWER_DOWN 状态，并且由于 Slurm 检测到节点故障，自动将作业重新排队。

  • 经过 SuspendTimeout（默认为 120 秒（2 分钟））之后 queue1-dy-spotcompute1-2 变为可用。在此期间，作业将重新排队，并可以开始在另一个节点上运行。

  • 上述过程将会重复，直到作业可以在可用节点上运行而不发生故障。

有两个定时参数可以根据需要进行调整：

  • ResumeTimeout（默认为 30 分钟）：ResumeTimeout 控制 Slurm 将节点转变为关闭状态之前等待的时间。

    • 如果您的安装前/安装后过程几乎需要那么长时间的话，延长 ResumeTimeout 可能会很有用。

    • ResumeTimeout 也是在出现问题的情况下 AWS ParallelCluster 在替换或重置节点之前等待的最长时间。如果在启动或设置过程中发生任何错误，则计算节点会自行终止。 AWS ParallelCluster 检测到已终止的实例后，进程会替换节点。

  • SuspendTimeout（默认为 120 秒（2 分钟））：SuspendTimeout 控制将节点放回系统并准备好再次使用的速率。

    • SuspendTimeout 越短，节点重置就会越快，并且 Slurm 能够更频繁地尝试启动实例。

    • SuspendTimeout 越长，故障节点的重置就会越慢。在此期间，Slurm 会尝试使用其他节点。如果 SuspendTimeout 超过几分钟，则 Slurm 将会循环尝试系统中的所有节点。对于大型系统（超过 1000 个节点），较长的 SuspendTimeout 可能有利于减轻 Slurm 上因频繁尝试对失败作业重新排队而产生的压力。

    • 请注意，SuspendTimeout这并不是指 AWS ParallelCluster 等待终止节点的后备实例的时间。POWER_DOWN 节点的支持实例将会立即终止。终止过程通常在几分钟内完成。但在此期间，节点仍处于 POWER_DOWN 状态，无法供调度器使用。

架构的日志

以下列表包含关键日志。与 Amazon Logs 一起使用的 CloudWatch 日志流名称的格式为{hostname}.{instance_id}.{logIdentifier}，其中 Logidentif ier 紧随日志名称。

  • 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)

常见问题以及调试方法：

无法启动、加电或加入集群的节点

  • 动态节点：

    • 检查 ResumeProgram 日志，查看是否对该节点调用过 ResumeProgram。如果没有，请检查 slurmctld 日志以确定 Slurm 是否尝试过对该节点调用 ResumeProgram。请注意，ResumeProgram 上不正确的权限可能会导致它静默失败。

    • 如果调用了 ResumeProgram，请查看是否为该节点启动了实例。如果未启动实例，则应有明确的错误消息，说明实例启动失败的原因。

    • 如果启动了实例，则可能在引导过程中出现了问题。从ResumeProgram日志中找到相应的私有 IP 地址和实例 ID，然后在 Logs 中查看特定实例的相应引导 CloudWatch 日志。

  • 静态节点：

    • 检查 clustermgtd 日志，查看是否为该节点启动了实例。如果实例未启动，则应有明确的错误说明实例启动失败的原因。

    • 如果启动了实例，则引导过程出现了问题。从clustermgtd日志中找到相应的私有 IP 和实例 ID，然后在 Logs 中查看特定实例的相应引导 CloudWatch 日志。

节点意外替换或终止和节点故障

  • 节点意外替换/终止：

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

    • 如果 clustermgtd 替换或终止了节点，则应显示一条消息，说明该操作的原因。如果原因与调度器有关（例如，节点处于 DOWN 状态），请查看 slurmctld 日志以获取更多详细信息。如果原因与亚马逊 EC2 有关，请使用诸如亚马逊 CloudWatch 或亚马逊 EC2 控制台、CLI 或软件开发工具包之类的工具来检查该实例的状态或日志。例如，您可以检查实例是否有预定事件或 Amazon EC2 运行状况检查失败。

    • 如果 clustermgtd 没有终止该节点，请检查 computemgtd 是否终止了该节点，或者 EC2 是否终止了该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，作业会自动重新排队。在 slurmctld 日志中查看作业或节点失败的原因，并在其中评测具体情况。

替换或终止实例时出现故障、关闭节点时出现故障

  • 通常，clustermgtd 会处理所有预期的实例终止操作。在 clustermgtd 日志中查看其无法替换或终止节点的原因。

  • 对于 ScaledownIdletime 失败的动态节点，请在 SuspendProgram 日志中查看 slurmctld 进程是否以特定节点作为参数进行了调用。请注意，SuspendProgram 实际上并不执行任何特定的操作，它只是记录被调用时的时间。所有实例终止和 NodeAddr 重置均由 clustermgtd 完成。Slurm 会在 SuspendTimeout 后将节点转变为 IDLE 状态。

其它问题：

  • AWS ParallelCluster 不会做出工作分配或扩大规模的决策。它只是尝试按照 Slurm 的指示启动、终止和维护资源。

    对于与作业分配、节点分配和扩展决策有关的问题，请查看 slurmctld 日志中是否存在错误。