SLURM使用教程

我现在经常在实验室服务器上跑程序，而老师要求我们使用SLURM作业管理系统，网上资料零零散散，这篇文章算是一个简单的汇总

常用术语

• user：用户名
• node：计算节点
• core：cpu核
• job：作业
• job step：作业步，单个作业可以有多个作业步
• partition：分区，作业需在特定分区中运行
• QOS：服务质量，可理解为用户可使用的CPU、内存等资源限制
• tasks：任务数，默认一个任务使用一个cpu核，可理解为作业所需的cpu核数
• socket：cpu插槽，可理解为物理cpu颗数
• stdout：标准输出文件，程序运行正常时输出信息的文件，一般指输出到屏幕的信息
• stderr：标准错误文件，程序运行出错时输出信息的文件，一般指输出到屏幕的信息

命令

• sbatch：提交作业脚本。此脚本一般会包含一个或多个srun命令启动并行任务
• sinfo：显示分区或节点状态，可以通过参数选项进行过滤、和排序
• squeue：显示队列的作业及作业状态
• scancel：取消排队或运行中的作业
• scontrol：显示或设定slurm作业、分区、节点等状态
• sacctmgr：显示和设置账户关联的QOS等信息
• sacct：显示历史作业信息
• srun：运行并行作业，具有多个选项，如：最大和最小节点数、处理器数、是否指定和排除节点

节点状态查看

• PARRITION：节点所在分区
• AVAIL：分区状态，up标识可用，down标识不可用
• TIMELIMIT：程序运行最大时长，infinite表示不限制，如果限制格式为days-houres:minutes:seconds
• NODES：节点数
• NODELIST：节点名列表
• STATE：节点状态，可能的状态包括：
  • allocated、alloc ：已分配
  • completing、comp：完成中
  • down：宕机
  • drained、drain：已失去活力
  • fail：失效
  • idle：空闲
  • mixed：混合，节点在运行作业，但有些空闲CPU核，可接受新作业
  • reserved、resv：资源预留
  • unknown、unk：未知原因
  • 如果状态带有后缀*，表示节点没有响应

分区信息查看

• DisableRootJobs:不允许root提交作业
• Maxtime：最大运行时间
• LLN：是否按最小负载节点调度
• Maxnodes：最大节点数
• Hidden：是否为隐藏分区
• Default：是否为默认分区
• OverSubscribe：是否允许超时
• ExclusiveUser：排除的用户

作业信息查看

• JOBID：作业号
• PARITION：分区名
• NAME：作业名
• USER：用户名
• ST：状态，常见的状态包括：
  • PD、Q：排队中 ，PENDING
  • R：运行中 ，RUNNING
  • CA：已取消，CANCELLED
  • CG：完成中，COMPLETIONG
  • F：已失败，FAILED
  • TO：超时，TIMEOUT
  • NF：节点失效，NODE FAILURE
  • CD：已完成，COMPLETED

作业信息查看

批处理模式提交作业

1.用户编写作业脚本

2.提交作业

3.作业排队等待资源分配

4.在首节点加载执行作业脚本

5.脚本执行结束，释放资源

6.用户在输出文件中查看运行结果

• 作业脚本为文本文件，首行一“#!”开头，指定解释程序
• 脚本中可通过srun加载计算任务
• 一个作业可包含多个作业步
• 脚本在管理节点上提交，实际在计算节点上执行
• 脚本输出写到输出文件中

以下是一些常见的作业资源需求参数，使用#SBATCH -xx xxx的方式写入脚本中即可

-J,--job-name：指定作业名称
-N,--nodes：节点数量
-n,--ntasks：使用的CPU核数
--mem：指定每个节点上使用的物理内存
-t,--time：运行时间，超出时间限制的作业将被终止
-p,--partition：指定分区
--reservation：资源预留
-w,--nodelist：指定节点运行作业
-x,--exclude：分配给作业的节点中不要包含指定节点
--ntasks-per-node：指定每个节点使用几个CPU核心
--begin：指定作业开始时间
-D，--chdir：指定脚本/命令的工作目录