本文用来记录与日后复习如何使用超算平台的 Slurm 作业调度系统

Module 常用命令

超算平台通常安装了多种软件环境和应用软件。为了方便使用，平台通过 module 工具管理计算环境，可以使用 module 命令查看、加载和卸载所需要的环境等

查看可用软件

查看系统可用软件，执行命令：module avail,即可列出用户可使用的所有软件名称。 系统安装的软件主要分为两类：

1. 安装在共享存储/public/software/路径下的软件，包含数学库、MPI 并行库、工具等；
2. 安装在节点本地磁盘/opt下的软件，包含编译器等。 软件列出名称规则：类别/软件名/版本号[/编译器]”。 例如：

------ /public/software/modules --------------
apps/abinit/8.10.3/hpcx-intel2017 
apps/octave-mt/5.2.0/gnu                       
compiler/dtk/23.04
------ /opt/hpc/software/modules --------------
compiler/devtoolset/7.3.1        compiler/intel/2017.5.239

加载/卸载软件环境

这一章节我们同时介绍 module load/add、rm/unload、list 以及一些冲突解决方式。

通过上一命令，我们找到了我们想要进入的软件环境，此时只要通过 module load apps/anaconda3/5.2.0，例如这里我想进入 anaconda3 环境。（虽然这里我使用进入一词，但实际上 module load 命令是加载相应环境变量，而且同时 load 多个环境！） 如果进行 anaconda 环境，剩下的命令就和平常操作一样了。 此外，一般平台也帮我们准备了一些 pytorch、tensorflow 等库了，这些都要在刚刚的 module avail 的输出结果里观察，例如我这就看到了'apps/Pytorch/1.8.0-dtk21.04-cp6'，适配 DCU 的 Pytorch 环境。 接上面的可以 load 多个环境，这主要为了解决可能的存在依赖关系报错和冲突关系报错。 刚好，在 module load apps/Pytorch/1.8.0-dtk21.04-cp6 就会发送这两个错误。

apps/Pytorch/1.8.0-dtk21.04-cp6(8):ERROR:151: Module 'apps/Pytorch/1.8.0-dtk21.04-cp6' depends on one of the module(s) 'compiler/dtk/21.04'
apps/Pytorch/1.8.0-dtk21.04-cp6(8):ERROR:102: Tcl command execution failed: prereq compiler/dtk/21.04

首先，我们看到 depends on ，说明这就是依赖，需要先加载 module load compiler/dtk/21.04 后，再加载 module load apps/Pytorch/1.8.0-dtk21.04-cp6。也可以直接写成 module load compiler/dtk/21.04 apps/Pytorch/1.8.0-dtk21.04-cp6。 运行之后，又会看到冲突错误：

compiler/dtk/21.04(6):ERROR:150: Module 'compiler/dtk/21.04' conflicts with the currently loaded module(s) 'compiler/dtk/22.10.1'
compiler/dtk/21.04(6):ERROR:102: Tcl command execution failed: conflict  compiler/rocm/3.3 compiler/dtk

apps/Pytorch/1.8.0-dtk21.04-cp6(8):ERROR:151: Module 'apps/Pytorch/1.8.0-dtk21.04-cp6' depends on one of the module(s) 'compiler/dtk/21.04'
apps/Pytorch/1.8.0-dtk21.04-cp6(8):ERROR:102: Tcl command execution failed: prereq compiler/dtk/21.04

从这里的输出可以看到 conflicts，这个时候系统已经存在'compiler/dtk/22.10.1'环境了，因此我们首先要先通过 module rm compiler/dtk/22.10.1 卸载当前环境（变量），然后再执行 module load compiler/dtk/21.04 apps/Pytorch/1.8.0-dtk21.04-cp6 终于进入激活对应的环境变量了！ 因为我们可能加载了多个环境，或者可能我们还想要加载其它环境但不知道有没有加载成功的时候，我们可用通过 module list，查看已经加载上的软件环境。

其它指令

作业

处于 Slurm 系统，用户所有需要运行的作业均必须通过作业提交命令（sbatch 或 srun）提交到计算节点执行运算，提交后可利用相关命令查询作业状态等。

sinfo-显示系统资源适用情况

sinfo -n x #指定显示节点 x 的使用情况
sinfo -p a #指定显示队列 a 情况
...

squeue-查看作业状态

squeue -j 123456 #查看任务号为 123456 的作业信息
squeue -u x #查看账号为 x 的作业信息
squeue -p a #查看提交到 a 队列的作业信息
squeue -w j #查看使用到 j节点的作业信息
#其他选项可通过 squeue --help 命令查看

如果 squeue 没有作业信息，说明作业已退出。

输出信息解释：

• 第一列 JOBID 是作业号，作业号是唯一的。
• 第二列 PARTITION 是作业运行使用的队列名。
• 第三列 NAME 是作业名。
• 第四列 USER 是账号名。
• 第五列 ST 是作业状态：R-Runing（正在运行），PD-PenDing（资源不足，排队中），CG-COMPLETING（作业正在完成中），CA-CANCELLED（作业被人为取消），CD-COMPLETED（作业运行完成），F-FAILED（作业运行失败），NF-NODE_FAIL（节点问题导致作业运行失败），PR（作业被抢占），S（作业被挂起），TO（作业超时被杀）
• 第六列 TIME 是运行时间。
• 第七列 NODES 是作业使用的节点数。
• 第八列 NODELIST (REASON)对于运行作业（R 状态）显示作业使用的节点列表；对于排队作业（PD 状态），显示排队的原因。（可以通过 ssh 进入节点列表）

srun -提交交互式作业

srun [options] program srun -p a -w j[1100-1101] -N 2 -n 128 -t 20 A.exe Srun 包括多个选项，通常需要多个参数结合使用。其中最常用的选项主要有以下几个：

• -n，指定要运行的任务数。默认为 1， srun -n 20 表示要运行 20 个 task。 • -c，指定作业每个 task 需要的 CPU 核数。默认为 1。srun -c 4 表示运行一个任务，使用 4 个 CPU 核。 • -N，指定作业需要的计算节点数量。srun -N 2 表示作业将在两个计算节点上运行。 • -p，指定作业运行的队列/分区。srun -p hfactest 表示指定作业在 hfactest 队列中运行。 • -w，指定作业运行的特定计算节点名称或列表。srun -w node[1-16] 指定作业在 node1 到 node16 这 16 个节点上运行。 • --exclusive，指定作业独占计算节点。作业运行过程中不允许其他作业使用节点，即使节点核心未用满。

• -t，指定作业运行时间限制。 • -h, --help，若需使用 srun 更多选项，可通过“srun -h” 或“srun --help” 查看。

sbatch-提交批处理作业

sbatch xxx.sbatch sbatch 文件是批处理作业脚本，格式为：

#!/bin/bash
#SBATCH -J TestSerial #作业名称
#SBATCH -p hfactest #指定作业提交的队列
#SBATCH -N 1   #作业申请的节点数
#SBATCH -n 1   #作业申请的总task任务数
#SBATCH -o %j.out  #输出文件的名称，%j表示作业号
#SBATCH -e %j.err  #错误输出文件名称
echo "SLURM_JOB_PARTITION=$SLURM_JOB_PARTITION" #环境变量-作业被分配到的队列名
echo "SLURM_JOB_NODELIST=$SLURM_JOB_NODELIST" #环境变量-作业被分配到的节点列表
srun  ./calc_serial       # 也可以直接运行软件：  ./calc_serial

作业控制指令以" #SBATCH "开头，其他注释以"#"开头。 sbatch 的一些常用命令选项，具体可以通过 sbatch --help 查看，这与 srun 基本相同。 更多介绍见sugon文档

与 srun 区别：

• srun 交互和阻止（在终端中获得结果，并且在完成之前无法编写其他命令）
• sbatch 批处理和非阻止（结果写入文件，并且可以提交其他命令）

salloc-提交节点资源获取作业

该命令支持用户在提交作业前，先获取所需计算资源。 典型场景为分配资源并启动一个 shell，然后用此 shell（ssh 到计算节点）执行 srun 命令去执行并行任务。

salloc -n 4 -p hfactest

scancel-取消已提交的作业

scancel 123456 #取消作业号为 123456 的作业
scancel -n testjob #取消作业名为 testjob 的作业
scancel -p amd_256 #取消提交到 amd_256 队列的作业
scancel -t PENDING #取消正在排队的作业
scancel -w j100 #取消运行在 j100 节点上的作业

scontrol-查看正在运行的作业/节点信息

Scontrol 命令可以查看正在运行的作业详情，比如提交目录、提交脚本、使用核数情况等，对已退出的作业无效。

scontrol show node[=node1] #查看节点信息，如果不指定node1，默认会显示所有节点信息
scontrol show job 123456  #查看作业信息