使用 slurm

更新时间：2024-01-04 07:26:03

创建 EHPC 集群，参考前文内容。
使用 WebSSH 登录方式，登录至集群的登录节点上。
在打开的 WebSSH 页面，输入以下命令，查看当前集群内可用的队列和节点。
```
[admin@login1 ~]$ sinfo  -a
PARTITION AVAIL  TIMELIMIT  NODES  STATE NODELIST
normal*      up   infinite      2   idle node[001-002]
```
主要参数说明:
- partition：当前可用队列的名称。
- state：同一队列中 nodelist 所列节点的当前状态（Idle、alloc、mix、down 等）。
- nodes：nodelist 中包含的节点数。
- nodelist：同一队列中处于相同状态的节点列表。

参考如下命令及内容，编写脚本文件。

[admin@login1 ~]$ vim myscript
// 内容如下：
#!/bin/sh
#SBATCH -p normal
srun sleep 300

说明

说明
`#SBATCH -p normal`：指明脚本默认执行的队列名：如果 sbatch 命令提交时，没有额外指定 -p 参数，那么默认使用脚本中的 normal 队列。 `srun sleep 300`：作业执行的命令行，由 srun 命令发起。`srun cmd_line` 中 cmd_line 是一个 Job，这个 Job 会提交到 slurm 中的 node 上执行。作为演示，我们用 sleep 300 命令来模拟一个长耗时 Job。

#SBATCH -p normal：指明脚本默认执行的队列名：如果 sbatch 命令提交时，没有额外指定 -p 参数，那么默认使用脚本中的 normal 队列。
srun sleep 300：作业执行的命令行，由 srun 命令发起。srun cmd_line 中 cmd_line 是一个 Job，这个 Job 会提交到 slurm 中的 node 上执行。作为演示，我们用 sleep 300 命令来模拟一个长耗时 Job。

执行如下命令，向 slurm 提交 2 个任务数（Tasks）的作业。若作业提交成功，会返回相应的作业号，如下所示。
```
[admin@login1 ~]$ sbatch -n2  myscript
Submitted batch job 6
```
执行如下命令，查看作业运行情况。返回结果中任务被分配到了 node001, 其 STATE 为 alloc 被分配状态，而 node002 目前 STATE 为 idle 空闲状态。
```
[admin@login1 ~]$ sinfo -a
PARTITION AVAIL  TIMELIMIT  NODES  STATE NODELIST
normal*      up   infinite      1  alloc node001
normal*      up   infinite      1   idle node002
```

重新提交作业，并查看作业运行状态。返回结果中，两个计算节点均为 alloc 被分配状态。

// 提交作业
[admin@login1 ~]$ sbatch -n2  myscript
Submitted batch job 7

// 查看作业状态
[admin@login1 ~]$ sinfo -a
PARTITION AVAIL  TIMELIMIT  NODES  STATE NODELIST
normal*      up   infinite      2  alloc node[001-002]

再重新提交作业，并查看作业运行状态。squeue -l 命令的返回结果中，新提交的 job 8 为 PENDING 等待状态。

// 提交作业
[admin@login1 ~]$ sbatch -n2  myscript
Submitted batch job 8

// 查看 normal 队列中 job 的详细运行情况
[admin@login1 ~]$ squeue -l
Wed Nov 30 17:05:15 2022
             JOBID PARTITION     NAME     USER    STATE       TIME TIME_LIMI  NODES NODELIST(REASON)
                 8    normal myscript    admin  PENDING       0:00 UNLIMITED      1 (Resources)
                 6    normal myscript    admin  RUNNING       0:47 UNLIMITED      1 node001
                 7    normal myscript    admin  RUNNING       0:37 UNLIMITED      1 node002

执行如下命令，释放 job 6 所占用的资源。
```
[admin@login1 ~]$ scancel 6
```

查看队列中 job 的详细运行情况，返回结果中 job 6 被取消，job 8 由原来的 PENDING 等待状态转变为 RUNNING 运行状态，即 job 8 被调度成功。

[admin@login1 ~]$ squeue -l
Wed Nov 30 17:06:45 2022
             JOBID PARTITION     NAME     USER    STATE       TIME TIME_LIMI  NODES NODELIST(REASON)
                 7    normal myscript    admin  RUNNING       2:07 UNLIMITED      1 node002
                 8    normal myscript    admin  RUNNING       0:06 UNLIMITED      1 node001