这个问题与pbs job no output when busy有关.即我提交的一些工作在PBS / Torque“忙”时不产生输出.我想,当一个接一个地提交许多工作时,它更加繁忙,并且正如它所发生的那样,以这种方式提交的工作,我经常会得到一些不产生任何输出的工作.
这是一些代码.
假设我有一个名为“x_analyse.py”的python脚本,它将包含一些数据的文件作为输入,并分析存储在文件中的数据：
./x_analyse.py data_1.pkl
现在,假设我需要：
(1)准备N个这样的数据文件：data_1.pkl,data_2.pkl,…,data_N.pkl
(2)让“x_analyse.py”对它们各自起作用,并将结果写入每个文件的文件中.
(3)由于不同数据文件的分析都是相互独立的,我将使用PBS / Torque并行运行它们以节省时间. (我认为这实际上是一个’令人尴尬的并行问题’.)
我有这个python脚本来执行上述操作：
import os
import sys
import time
N = 100
for k in range(1, N+1):
datafilename = 'data_%d' % k
file = open(datafilename + '.pkl', 'wb')
#Prepare data set k, and save it in the file
file.close()
jobname = 'analysis_%d' % k
file = open(jobname + '.sub', 'w')
file.writelines( [ '#!/bin/bash\n',
'#PBS -N %s\n' % jobname,
'#PBS -o %s\n' % (jobname + '.out'),
'#PBS -q compute\n' ,
'#PBS -j oe\n' ,
'#PBS -l nodes=1:ppn=1\n' ,
'#PBS -l walltime=5:00:00\n' ,
'cd $PBS_O_WORKDIR\n' ,
'\n' ,
'./x_analyse.py %s\n' % (datafilename + '.pkl') ] )
file.close()
os.system('qsub %s' % (jobname + '.sub'))
time.sleep(2.)
该脚本准备要分析的一组数据,将其保存到文件中,写入用于分析此数据集的pbs提交文件,提交作业以执行此操作,然后再次使用下一组数据执行相同操作, 等等.
实际上,当脚本运行时,作业ID列表会在提交作业时打印到标准输出. ‘ls’显示有N个.sub文件和N .pkl数据文件. ‘qstat’显示所有作业都在运行,状态为’R’,然后完成,状态为’C’.但是,之后,’ls’表示输出文件少于N.out,而“x_analyse.py”生成的结果文件少于N个.实际上,某些作业不会产生任何输出.如果我要清除所有内容,并重新运行上面的脚本,我会得到相同的行为,一些工作(但不一定与上次相同)不产生任何输出.
有人建议,通过增加连续工作提交之间的等待时间,事情会有所改善.
time.sleep(10.) #or some other waiting time
但我觉得这不是最令人满意的,因为我已经尝试过0.1s,0.5s,1.0s,2.0s,3.0s,其中没有一个真的有帮助.我被告知,50多岁的等待时间似乎工作正常,但如果我必须提交100份工作,等待时间将是大约5000s,这似乎非常长.
我尝试通过提交作业数组来减少’qsub’的使用次数.我会像以前一样准备所有数据文件,但只有一个提交文件“analyse_all.sub”：
#!/bin/bash
#PBS -N analyse
#PBS -o analyse.out
#PBS -q compute
#PBS -j oe
#PBS -l nodes=1:ppn=1
#PBS -l walltime=5:00:00
cd $PBS_O_WORKDIR
./x_analyse.py data_$PBS_ARRAYID.pkl
然后提交
qsub -t 1-100 analyse_all.sub
但即便如此,一些工作仍然无法产生产量.
这是个常见的问题吗？我做的事情不对吗？在工作提交之间等待最好的解决方案？我可以做些什么来改善这个吗？
在此先感谢您的帮助.
编辑1：
我正在使用Torque版本2.4.7和Maui版本3.3.
另外,假设作业ID为1184430.mgt1的作业不生成输出,作业ID为1184431.mgt1的作业按预期生成输出,当我在这些上使用’tracejob’时,我得到以下内容：
[batman@gotham tmp]$tracejob 1184430.mgt1
/var/spool/torque/server_priv/accounting/20121213: Permission denied
/var/spool/torque/mom_logs/20121213: No such file or directory
/var/spool/torque/sched_logs/20121213: No such file or directory
Job: 1184430.mgt1
12/13/2012 13:53:13 S enqueuing into compute, state 1 hop 1
12/13/2012 13:53:13 S Job Queued at request of batman@mgt1, owner = batman@mgt1, job name = analysis_1, queue = compute
12/13/2012 13:53:13 S Job Run at request of root@mgt1
12/13/2012 13:53:13 S Not sending email: User does not want mail of this type.
12/13/2012 13:54:48 S Not sending email: User does not want mail of this type.
12/13/2012 13:54:48 S Exit_status=135 resources_used.cput=00:00:00 resources_used.mem=15596kb resources_used.vmem=150200kb resources_used.walltime=00:01:35
12/13/2012 13:54:53 S Post job file processing error
12/13/2012 13:54:53 S Email 'o' to batman@mgt1 failed: Child process '/usr/lib/sendmail -f adm batman@mgt1' returned 67 (errno 10:No child processes)
[batman@gotham tmp]$tracejob 1184431.mgt1
/var/spool/torque/server_priv/accounting/20121213: Permission denied
/var/spool/torque/mom_logs/20121213: No such file or directory
/var/spool/torque/sched_logs/20121213: No such file or directory
Job: 1184431.mgt1
12/13/2012 13:53:13 S enqueuing into compute, state 1 hop 1
12/13/2012 13:53:13 S Job Queued at request of batman@mgt1, owner = batman@mgt1, job name = analysis_2, queue = compute
12/13/2012 13:53:13 S Job Run at request of root@mgt1
12/13/2012 13:53:13 S Not sending email: User does not want mail of this type.
12/13/2012 13:53:31 S Not sending email: User does not want mail of this type.
12/13/2012 13:53:31 S Exit_status=0 resources_used.cput=00:00:16 resources_used.mem=19804kb resources_used.vmem=154364kb resources_used.walltime=00:00:18
编辑2：
对于不产生输出的作业,’qstat -f’返回以下内容：
[batman@gotham tmp]$qstat -f 1184673.mgt1
Job Id: 1184673.mgt1
Job_Name = analysis_7
Job_Owner = batman@mgt1
resources_used.cput = 00:00:16
resources_used.mem = 17572kb
resources_used.vmem = 152020kb
resources_used.walltime = 00:01:36
job_state = C
queue = compute
server = mgt1
Checkpoint = u
ctime = Fri Dec 14 14:00:31 2012
Error_Path = mgt1:/gpfs1/batman/tmp/analysis_7.e1184673
exec_host = node26/0
Hold_Types = n
Join_Path = oe
Keep_Files = n
Mail_Points = a
mtime = Fri Dec 14 14:02:07 2012
Output_Path = mgt1.gotham.cis.XXXX.edu:/gpfs1/batman/tmp/analysis_7.out
Priority = 0
qtime = Fri Dec 14 14:00:31 2012
Rerunable = True
Resource_List.nodect = 1
Resource_List.nodes = 1:ppn=1
Resource_List.walltime = 05:00:00
session_id = 9397
Variable_List = PBS_O_HOME=/gpfs1/batman,PBS_O_LANG=en_US.UTF-8, PBS_O_LOGNAME=batman,
PBS_O_PATH=/gpfs1/batman/bin:/usr/mpi/gcc/openmpi-1.4/bin:/gpfs1/batman/workhere/instal
ls/mygnuplot-4.4.4/bin/:/gpfs2/condor-7.4.4/bin:/gpfs2/condor-7.4.4/sb
in:/usr/lib64/openmpi/1.4-gcc/bin:/usr/kerberos/bin:/usr/local/bin:/bi
n:/usr/bin:/opt/moab/bin:/opt/moab/sbin:/opt/xcat/bin:/opt/xcat/sbin,
PBS_O_MAIL=/var/spool/mail/batman,PBS_O_SHELL=/bin/bash,
PBS_SERVER=mgt1,PBS_O_WORKDIR=/gpfs1/batman/tmp,
PBS_O_QUEUE=compute,PBS_O_HOST=mgt1
sched_hint = Post job file processing error; job 1184673.mgt1 on host node
26/0Unknown resource type REJHOST=node26 MSG=invalid home directory '
/gpfs1/batman' specified, errno=116 (Stale NFS file handle)
etime = Fri Dec 14 14:00:31 2012
exit_status = 135
submit_args = analysis_7.sub
start_time = Fri Dec 14 14:00:31 2012
Walltime.Remaining = 1790
start_count = 1
fault_tolerant = False
comp_time = Fri Dec 14 14:02:07 2012
与产生输出的工作相比：
[batman@gotham tmp]$qstat -f 1184687.mgt1
Job Id: 1184687.mgt1
Job_Name = analysis_1
Job_Owner = batman@mgt1
resources_used.cput = 00:00:16
resources_used.mem = 19652kb
resources_used.vmem = 162356kb
resources_used.walltime = 00:02:38
job_state = C
queue = compute
server = mgt1
Checkpoint = u
ctime = Fri Dec 14 14:40:46 2012
Error_Path = mgt1:/gpfs1/batman/tmp/analysis_1.e118468
7
exec_host = ionode2/0
Hold_Types = n
Join_Path = oe
Keep_Files = n
Mail_Points = a
mtime = Fri Dec 14 14:43:24 2012
Output_Path = mgt1.gotham.cis.XXXX.edu:/gpfs1/batman/tmp/analysis_1.out
Priority = 0
qtime = Fri Dec 14 14:40:46 2012
Rerunable = True
Resource_List.nodect = 1
Resource_List.nodes = 1:ppn=1
Resource_List.walltime = 05:00:00
session_id = 28039
Variable_List = PBS_O_HOME=/gpfs1/batman,PBS_O_LANG=en_US.UTF-8,
PBS_O_LOGNAME=batman,
PBS_O_PATH=/gpfs1/batman/bin:/usr/mpi/gcc/openmpi-1.4/bin:/gpfs1/batman/workhere/instal
ls/mygnuplot-4.4.4/bin/:/gpfs2/condor-7.4.4/bin:/gpfs2/condor-7.4.4/sb
in:/usr/lib64/openmpi/1.4-gcc/bin:/usr/kerberos/bin:/usr/local/bin:/bi
n:/usr/bin:/opt/moab/bin:/opt/moab/sbin:/opt/xcat/bin:/opt/xcat/sbin,
PBS_O_MAIL=/var/spool/mail/batman,PBS_O_SHELL=/bin/bash,
PBS_SERVER=mgt1,PBS_O_WORKDIR=/gpfs1/batman/tmp,
PBS_O_QUEUE=compute,PBS_O_HOST=mgt1
etime = Fri Dec 14 14:40:46 2012
exit_status = 0
submit_args = analysis_1.sub
start_time = Fri Dec 14 14:40:47 2012
Walltime.Remaining = 1784
start_count = 1
似乎一个的退出状态是0而不是另一个的退出状态.
编辑3：
从’qstat -f’输出如上所述,似乎问题与后期作业文件处理中的“陈旧NFS文件句柄”有关.通过提交数百个测试作业,我已经能够识别出许多产生失败作业的节点.通过sshing到这些,我可以在/ var / spool / torque / spool中找到丢失的PBS输出文件,其中我还可以看到属于其他用户的输出文件.这些有问题的节点的一个奇怪之处在于,如果它们是选择使用的唯一节点,则作业可以正常运行.只有当它们与其他节点混合时才会出现问题.
由于我不知道如何修复后期作业处理“过时的NFS文件句柄”,我通过向他们提交“虚拟”作业来避免这些节点
echo sleep 60 | qsub -lnodes=badnode1:ppn=2+badnode2:ppn=2
在提交真正的工作之前.现在所有工作都按预期产生输出,并且无需在连续提交之前等待.
解决方法:
我在失败的作业的tracejob输出中看到两个问题.
首先是Exit_status = 135.此退出状态不是Torque错误代码,而是脚本返回的退出状态x_analyse.py. Python没有使用sys.exit()函数的约定,135代码的源代码可能位于脚本中使用的模块之一.
第二个问题是作业文件处理失败.这可能表示节点配置错误.
从现在开始,我猜.由于成功的工作大约需要00:00:16,因此延迟50秒可能会让您的所有工作都落在第一个可用节点上.延迟较小时,您将获得更多节点,并最终命中错误配置的节点,或者在单个节点上同时执行两个脚本.我会修改提交脚本添加一行
'echo $PBS_JOBID :: $PBS_O_HOST >> debug.log',
到生成.sub文件的python脚本.这会将执行主机的名称添加到debug.log中,如果我正确理解您的设置,它将驻留在公共文件系统上.
然后,您(或Torque管理员)可能希望在故障节点上的MOM假脱机目录中查找未处理的输出文件,以获取进一步诊断的一些信息.