如何在 slurm 工作期间监控资源？

Question

我正在我们的大学集群（普通用户，没有管理员权限）上运行作业，该集群使用 SLURM 调度系统，我有兴趣绘制 CPU 和内存使用情况随时间的变化，即在作业运行时。我知道sacct 和sstat，我正在考虑将这些命令包含在我的提交脚本中，例如

#!/bin/bash
#SBATCH <options>

# Running the actual job in background
srun my_program input.in output.out &

# While loop that records resources
JobStatus="$(sacct -j $SLURM_JOB_ID | awk 'FNR == 3 {print $6}')"
FIRST=0
#sleep time in seconds
STIME=15
while [ "$JobStatus" != "COMPLETED" ]; do
    #update job status
    JobStatus="$(sacct -j $SLURM_JOB_ID | awk 'FNR == 3 {print $6}')"
    if [ "$JobStatus" == "RUNNING" ]; then
        if [ $FIRST -eq 0 ]; then
            sstat --format=AveCPU,AveRSS,MaxRSS -P -j ${SLURM_JOB_ID} >> usage.txt
            FIRST=1
        else
            sstat --format=AveCPU,AveRSS,MaxRSS -P --noheader -j ${SLURM_JOB_ID} >> usage.txt
        fi
        sleep $STIME
    elif [ "$JobStatus" == "PENDING" ]; then
        sleep $STIME
    else
        sacct -j ${SLURM_JOB_ID} --format=AllocCPUS,ReqMem,MaxRSS,AveRSS,AveDiskRead,AveDiskWrite,ReqCPUS,AllocCPUs,NTasks,Elapsed,State >> usage.txt
        JobStatus="COMPLETED"
        break
    fi
done

但是，我不太相信这个解决方案：

• sstat 不幸的是没有显示在 时刻（仅平均）

• 如果我尝试记录一段时间内的内存使用情况，MaxRSS 也无济于事

• 似乎仍有一些错误（作业完成后脚本不会停止）

有没有人知道如何正确地做到这一点？甚至可能使用top 或htop 而不是sstat？非常感谢任何帮助。

Answer 1

Slurm 提供了一个插件，用于将作业的配置文件（PCU 使用情况、内存使用情况，甚至某些技术的磁盘/网络 IO）记录到 HDF5 文件中。该文件包含跟踪的每个度量的时间序列，您可以选择时间分辨率。

你可以激活它

#SBATCH --profile=<all|none|[energy[,|task[,|filesystem[,|network]]]]>

请参阅文档here。

要检查此插件是否已安装，请运行

scontrol show config | grep AcctGatherProfileType

它应该输出AcctGatherProfileType = acct_gather_profile/hdf5。

文件是在ProfileHDF5Dir Slurm 配置参数（slurm.conf）中引用的文件夹中创建的

至于您的脚本，您可以尝试将sstat 替换为与计算节点的SSH 连接以运行ps。假设已安装 pdsh 或 clush，您可以运行如下内容：

pdsh -j $SLURM_JOB_ID ps -u $USER -o pid,state,cputime,%cpu,rssize,command --columns 100 >> usage.txt

这将为您提供每个进程的 CPU 和内存使用情况。

最后一点，您的作业永远不会终止，因为它会在while 循环终止时终止，而while 循环将在作业终止时终止......条件"$JobStatus" == "COMPLETED" 将永远不会被观察到脚本内。作业完成后，脚本被终止。