NIIF szuperszámítógépek használata

A szuperszámítógépekről
A KIFÜ szuperszámítógép szolgáltatása tudományos számítási feladatok futtatására, valamint tudományos célú adattárolásra szolgál. A jelenleg integrált szuperszámítógép-rendszer komponensei négy helyszínen találhatók:


 * Debreceni Egyetem
 * KIFÜ központ
 * Pécsi Tudományegyetem
 * Szegedi Tudományegyetem

A tudományos számítási feladatok különböző típusainak minél szélesebb körű lefedettsége érdekében az egyes helyszíneken különböző felépítésű gépek találhatók: egy helyszínen ccNUMA, három helyszínen pedig "fat-node" fürtözött megoldás. Az alrendszereket a KIFÜ nagy sávszélességű, alacsony késleltetésű HBONE+ adathálózatán keresztül, ARC grid köztesréteg, valamint harmonizált felhasználói azonosítás segítségével integráljuk egységes elvek mentén elérhető számítási egységgé. Az erőforrás jelenleg Magyarország legnagyobb tudományos számítás céljára felhasználható erőforrása, amely összesen 50 billió lebegőpontos művelet elvégzését teszi lehetővé másodpercenként. A szuperszámítógép-rendszert a KIFÜ üzemelteti és fejleszti. A rendszerhez regisztrációt követően, minden olyan személy vagy kutatócsoport hozzáférhet, amely tagintézményi szerződéses kapcsolatban áll a KIFÜ-vel. A gépen megtalálhatók és futtathatók a legkorszerűbb fejlesztőeszközök és tudományos számításra szolgáló alkalmazások, valamint, a KIFÜ adatközpontban elhelyezett alrendszer kivételével, valamennyi alrendszer kiegészül a számítási feladatok eredményeit megjelenítő vizualizációs eszközökkel.

Köszönetnyilvánítás
Tudományos publikációkban a következő köszönetnyilvánítást javasoljuk:

We acknowledge KIFÜ for awarding us access to resource based in Hungary.

Where technical support has been received the following additional text should also be used:

The support of [name of person/people] from KIFÜ, Hungary to the technical work is gratefully acknowledged.

Hozzáférés a szuperszámítógépekhez
A témában több videót is készítettünk, amelyek bemutatják a hozzáférés menetét (kulcsgenerálás és hozzáférés) és a filefeltöltés gyakorlati tutoriál keretében Windows operációs rendszeren.


 * Kezdő lépések (videó)


 * A HPC felhasználás gyakorlati lépései (videó)

A fenti videók tartalmazhatnak elavult információkat pl. az ütemezővel kapcsolatban, a jelenlegi ütemező használatához külön videóanyagot ajánljunk.

A szuperszámítógépekhez kulcsos SSH használatával lehet hozzáférni. Ajánlott UTF-8 képes terminált használ az ékezetes betűk megjeelenítése érdekében. PUTTY terminál esetén a Window/Translation beállítás alatt a character set-et kell UTF-8-ra állítani.

SSH belépés
ahol a  a felhasználónév, a   pedig a belépéshez használt szupergép neve: budapest, debrecen, pecs, szeged. Nem alapértelmezett kulcs használata a  kapcsolóval lehetséges.

Belépés a szegedi gépre alice felhasználóként, az SSH privát kulcsot a  fájlból olvasva:

Fájl másolás SCP segítségével
Letöltés a HOME könyvtárból és feltöltés a HOME könyvtárba: scp USER@login.SITE.hpc.niif.hu:FILE FILE scp FILE USER@login.SITE.hpc.niif.hu:FILE

A szegedi gép HOME könyvtárában lévő  fájl letöltése a helyi gép aktuális könyvtárába:

Adatátvitel rsync segítségével
Nagyobb fájlok ill. könyvtárstruktúrák szinkronizálásához az SSH-t és az rsync-et együtt kell használni. Fel- és leszinkronizálás: rsync -a -e ssh DIRECTORY USER@login.budapest.hpc.niif.hu:/home/USER rsync -a -e ssh USER@login.budapest.hpc.niif.hu:/home/USER/DIRECTORY

A budapesti gépre szinkronizálom a helyi  könyvtár tartalmát (nem az alapértelmezett kulcsot használva) és a másolás folyamatát nyomonkövetem:

Felhasználói felület
A szupergépek elsődleges felhasználói felülete a Bash shell. Az automatikusan betöltődő NIIF Common Environment (NCE) a PS1 promptot a következőképp állítja be:

Modul környezet
A szupergépekre telepített alkalmazásokat az ún. modul rendszer segítségével lehet használ. A modul rendszer lehetővé teszi egy adott alkalmazás több verziójának használatát is. Feladata a shell környezeti változók helyes beállítása. Normál felhasználók számára az alapértelmezett modul környezet automatikusan betöltődik. Az elérhető modulok listáját a következő paranccsal kapjuk meg: a már betöltött modulok listáját: Alkalmazást a következő paranccsal tölthetünk be: ahol az  a betöltendő modulok space-szel elválasztott listája.

A NIIF által beállított környezeti változókat  parancs listázza ki.

Példa
A Maple, netcfd és az R csomagok betöltése:

Adatok megosztása projekt tagok számára
Fájlok ill. könyvtárak megosztásához használjuk a (fájlrendszer ACL-eket). Az ACL-ekkel a hagyományos unix engedélyeken felül finoman szabályozhatjuk a fájlok és könyvtárak hozzáférési engedélyeit. Kérjük, hogy fokozottan figyeljenek arra, hogy a teljes  könyvtárra sose adjanak "rwx" jogot más felhasználóknak, mivel pl. a   mappa nagyon érzékeny a jogosultságokra, és a rendszer nem fogja beengedni legközelebb a felhasználót! A következő példában a  könyvtárat osztjuk egy munkatárs számára: $ setfacl -m u:user1:x $HOME $ getfacl $HOME user::rwx user:user1:--x group::r-x mask::r-x other::--- $ cd $ mkdir Shared $ setfacl -m u:user1:rwx $HOME/Shared $ getfacl Shared user::rwx user:user1:rwx group::rwx mask::rwx other::r-x
 * 1) a home könyvtár beállítása
 * 2) user1 user számára belépsi engedély: u:user1:x
 * 1) file: user2/user2
 * 2) owner: user2
 * 3) group: user2
 * 1) Shared könyvtár megosztása
 * 2) user1 számára minden unix jog
 * 1) file: Shared
 * 2) owner: user2
 * 3) group: user2

Python csomag telepítése a saját home könyvtárunkba
Itt egy példa arra, hogy hogyan tudjuk feltelepíteni a mercurial python csomagot. $ module load python $ pip install --user mercurial

Közös home könyvtár használata
A szuperszámítógépek login és vserver node-jai osztott home könyvtárral vannak összekötve. Fontos, hogy az osztott könyvtárat a számítási node-ok nem érik el, ezért az osztott home-ot csak tárolásra ill. megosztásra lehet használni. Az osztott terület Debrecenben van, ezért ott a leggyorsabb. A másik három helyen lassabb a hozzáférés a nagyobb távolság miatt. A programok kimenetét továbbra is a lokális scratch vagy home könyvtárba kell írni. Amelyik login node-on használni szeretnénk az osztott home könyvtárat, ott adjuk ki a következő parancsokat: cd; mkdir shared; ln -s /mnt/fhgfs/home/$USER shared/$USER Ezek után a  könyvtárba másoljuk a megosztott fájlokat. Ez a könyvtár a következő környezeti változóba is exportálódik: $NCE_SHARED

Biztonsági mentés, adatmegosztás
A következő példa mentést végez a  könyvtárról: rsync -avuP $HOME/data $NCE_SHARED Törölje a fájlokat a mentésben is: rsync -avuP --delete $HOME/data $NCE_SHARED

Alkalmazások lefordítása
Mindenkitől azt kérjük, hogy először próbálja meg saját maga lefordítani az alkalmazását. Ha ez valamilyen oknál fogva mégsem sikerülne, akkor következő lépésként a magyarországi szuperszámítógép felhasználóktól érdemes kérdezni, mert nagy esély van rá hogy mások is belefutottak ugyanabba a problémába. Ezen a címen lehet őket elérni:. Feliratkozni itt lehet erre a levelezőlistára. Az archívumban is érdemes utánanézni a kérdésnek. A KIFÜ HPC support csak igen korlátozottan képes egyéni fordítási kérésekkel foglalkozni, de problémával felkeresheti a  címet. Az utóbbi esetben pár napos türelmüket mindenképp kérjük válaszunkig.

SLURM ütemező használata
Weboldal:

http://slurm.schedmd.com

A SLURM ütemező bemutatása:


 * Slurm HPC ütemező

A szupergépeken CPU óra (gépidő) alapú ütemezés működik. Ez azt jelenti, hogy a fogyasztási időtartamra (hónap) az elérhető maximális gépidő fel van osztva a felhasználók között. Minden UNIX felhasználó egy vagy több számlához (Account) tartozhat. Az ütemező számla egy adott HPC-s projekthez tartozik, hasonló a UNIX csoporthoz. Szupergépes feladatokat csak az egyes számlák terhére lehet indítani. A CPU óra az elhasznált idő (Walltime) és az igényelt processzorok számának szorzata. Például a budapesti gépen 2 db node (48 processzor mag) foglalása 30 percre 48 * 30 = 1440 CPU perc = 24 CPU óra. A CPU órát az ütemező a futás kezdetétől a befejezésig méri.

'''Rendkívül fontos arról meggyőződni, hogy a futtatandó alkalmazás rendesen kihasználja-e a szupergépet. Egy üres vagy rosszul futó job hamar elhasználja a rendelkezésre álló gépidőt. Elfogyasztott gépidő esetén új jobokat már nem lehet indítani, és meg kell várni a számlázási időszak végét. A gépidő limitek (Account Limit) minden hónap elején jóváíródnak.'''

Számláink állapotáról a következő paranccsal kapunk információt:

A parancs a következő táblázatot jeleníti meg. A felhasználó két számlához (foobar,barfoo) is hozzáfér, futatthat a számla terhére. Saját magát megcsillagozva látja a listában. Bobbal mindkét számlán (Account oszlop) Alice is osztozik. A második oszlopban (Usage) az egyes felhasználók elhasznált gépideje, a negyeik oszlopban pedig a számla összesített gépideje látható. Az utolsó két oszlop a maximális (Account Limit) és a még alérhető (Available) gépidőről ad tájékoztatást. Scheduler Account Balance -- --- + --- + - --- User             Usage |          Account       Usage | Account Limit   Available (CPU hrs) -- --- + --- + - --- alice                0 |           foobar           0 |             0           0 bob *               0 |           foobar           0 |             0           0

bob *               7 |           barfoo           7 |         1,000         993 alice               0 |           barfoo           7 |         1,000         993

A gépidő becslése
Nagyüzemi (production) futtatások előtt gépidőbecslést érdemes végezni. Ehhez a következő parancs használható: ahol a  a lefoglalni kívánt node-ok száma, a   pedig a futás maximális ideje.

'''Fontos, hogy a lefoglalni kívánt gépidőt a lehető legpontosabban adjuk meg, mivel az ütemező ez alapján is rangsorolja a futtatásra váró feladatokat. Általában igaz, hogy a rövidebb job hamarabb sorra kerül. Érdemes minden futás idejét utólag az  paranccsal is ellenőrizni.'''

Alice 2 nap 10 órára és 2 node-ra szeretne foglalást kérni, megnézi van-e elég gépidő a számláján: sestimate -N 2 -t 2-10:00:00

Estimated CPU hours: 2784 Sajnos ebben a hónapban erre már nem telik.

Állapotinformációk
Az ütemezőben lévő jobokról az, a klaszter általános állapotáról az   parancs ad tájékoztatást. Minden beküldött jobhoz egy egyedi azonosítószám (JOBID) rendelődik. Ennek ismeretében további információkat kérhetünk. Feladott vagy már futó job jellemzői:

Minden job egy ún. számlázási adatbázisba (accounting) is bekerül. Ebből az adatbázisból visszakereshetők a lefuttatott feladatok jellemzői és erőforrás-felhasználás statisztikái. A részletes statisztikát a következő paranccsal tudjuk megnézni:

A felhasznált memóriáról a következő parancs ad tájékoztatást:

A lemezhasználatról pedig a

Slurm figyelmeztető üzenetek
Resources/AssociationResourceLimit - Erőforrásra vár AssociationJobLimit - Nincs elég CPU idő vagy a maximális CPU szám le van foglalva Piority - Alacsony prioritás miatt várakozik Az utóbbi esetben, csőkkenteni kell a job által lefoglalni kívánt időt. Egy adott projekt részére maximálisan 512 CPU-n futhatnak jobok egy adott időben.

Az ütemezőben 3 feladat van. Az első egy arrayjob, éppen erőforrásra vár (PENDING). A második egy MPI job, ami 4 node-on fut már 25 perce (TIME). A harmadik egy egy node-os OMP futtatás, éppen most indult el. A feladatik nevei (NAME) egyénileg adható meg. Rövid, informatív neveket érdemes adni. squeue -l

Wed Oct 16 08:30:07 2013 JOBID PARTITION    NAME     USER    STATE       TIME TIMELIMIT  NODES NODELIST(REASON) 591_[1-96]   normal    array    alice  PENDING       0:00     30:00      1 (None) 589   normal      mpi      bob  RUNNING      25:55   2:00:00      4 cn[05-08] 590   normal      omp    alice  RUNNING       0:25   1:00:00      1 cn09

Ennek a 2 node-os batch jobnak a jellemző memóriaterhelés a következő volt: kb. 10GB virtuális és 6.5GB RSS memóriát használt el node-onként. smemory 430

MaxVMSize MaxVMSizeNode  AveVMSize     MaxRSS MaxRSSNode     AveRSS -- -- -- -- -- -- 10271792K          cn06  10271792K   6544524K       cn06   6544524K 10085152K          cn07  10085152K   6538492K       cn07   6534876K

CPU felhasználás ellenőrzése
Nagyon fontos meggyőződni arról, hogy az alkalmazás kihasználja-e a rendelkezésre álló gépidőt. Egy futó alkalmazás a következő paranccsal tudunk monitorozni:

Ez a job 4 node-on fut. A LOAD csoport a gép általános terheléséről ad információt és kb. a core-ok számával egyezik meg. A helyes felhasználásról a CPU csoport ad tájékoztatást. Ideális esetben a  oszlop értékei 90 fölött vannak. Ez alatt valamilyen probléma lépett fel és a futást érdemes megszakítani. Hostname                    LOAD                       CPU              Gexec CPUs (Procs/Total) [    1,     5, 15min] [  User,  Nice, System, Idle, Wio] cn08   24 (   25/  529) [ 24.83, 24.84, 20.98] [  99.8,   0.0,   0.2,   0.0,   0.0] OFF cn07   24 (   25/  529) [ 24.93, 24.88, 20.98] [  99.8,   0.0,   0.2,   0.0,   0.0] OFF cn06   24 (   25/  529) [ 25.00, 24.90, 20.97] [  99.9,   0.0,   0.1,   0.0,   0.0] OFF cn05   24 (   25/  544) [ 25.11, 24.96, 20.97] [  99.8,   0.0,   0.2,   0.0,   0.0] OFF

Licenszek ellenőrzése
Az elérhető és éppen használt licenszekről a következő parancs ad információt:

Karbantartás ellenőrzése
A karbantartási időablakban az ütemező nem indít új jobokat, de beküldeni lehet. A karbantartások időpontjairól a következő parancs ad tájékoztatást:

Összesített felhasználás
Egy hónapra visszamenőleg az elfogyasztott CPU perceket a következő paranccsal kérhetjük le:

Teljes fogyasztás
Ha szeretnénk tájékozódni arról, hogy egy bizony idő óta mennyi a CPU idő felhasználásunk akkor azt ezzel paranccsal tudjuk lekérdezni:

niif helyett a saját projektünk azonosítóját kell megadni.

Feladatok futtatása
Alkalmazások futtatása a szupergépeken kötegelt (batch) üzemmódban lehetséges. Ez azt jelenti, hogy minden futtatáshoz egy job szkriptet kell elkészíteni, amely tartalmazza az igényelt erőforrások leírását és a futtatáshoz szükséges parancsokat. Az ütemező paramétereit (erőforrás igények) a  direktívával kell megadni. Az ütemezők összehasonlításáról és a Slurm-ban elérhető direktívákról a következő táblázat ad bővebb tájékoztatást.

Kötelező paraméterek
A következő paramétereket minden esetben meg kell adni: ahol az  a terhelendő számla neve (elérhető számláinkről az   parancs ad felvilágosítást), a   a job rövid neve, a   pedig a maximális walltime idő. A következő időformátumok használhatók: "minutes", "minutes:seconds", "hours:minutes:seconds", "days-hours", "days-hours:minutes" és "days-hours:minutes:seconds".
 * 1) !/bin/bash
 * 2) SBATCH -A ACCOUNT
 * 3) SBATCH --job-name=NAME
 * 4) SBATCH --time=TIME

A jobok feladását a következő parancs végzi:

Sikeres feladás esetén a következő kimenetet kapjuk: Submitted batch job JOBID ahol a  a feladat egyedi azonosítószáma.

A feladat leállítását a következő parancs végzi:

Nem újrainduló jobok
Nem újrainduló jobokhoz a következő direktívát kell használni:
 * 1) SBATCH --no-requeue

Feladat sorok
A szupergépeken két, egymást nem átfedő, sor (partíció) áll rendelkezésre, a  sor és a   sor. Utóbbi az éles számolásokra való, előbbi fejlesztés és tesztelés céljára használható. A teszt sorban összesen 1 node-ot, maximum fél órára lehet lefoglalni. Az alapértelmezett sor a. A teszt partíciót a következő direktívával lehet kiválasztani:
 * 1) SBATCH --partition=test

A szolgáltatás minősége (QOS)
A szolgáltatást alapértelmezett minősége, azaz nem megszakítható a futás.

Magas prioritás
A magas prioritású jobok maximum 24 óráig futhatnak, és kétszer gyorsabb időelszámolással rendelkeznek, cserébe az ütemező előreveszi ezeket a feladatokat.
 * 1) SBATCH --qos=fast

Alacsony prioritás
Lehetőség van alacsony prioritású jobok feladására is. Az ilyen feladatokat bármilyen normál prioritású job bármikor megszakíthatja, cserébe az elhasznált gépidő fele számlázódik csak. A megszakított jobok automatikusan újraütemeződnek. Fontos, hogy olyan feladatokat indítsunk alacsony prioritással, amelyek kibírják a véletlenszerű megszakításokat, rendszeresen elmentik az állapotukat (checkpoint) és ebből gyorsan újra tudnak indulni.
 * 1) SBATCH --qos=lowpri

Memória foglalás
A memória a CPU-hoz hasonlóan korlátozott, foglalható erőforrás. A felhasználás mérése a memória / core alapon történik: 1 core óra, 2600 MB órának felel meg. Alapértelmezetten 1 CPU core-hoz 1000 MB memória van rendelve, ennél többet a következő direktívával igényelhetünk: ahol  MB egységben van megadva. Budapesten és Szegeden a maximális memória/core 2600 MB.
 * 1) SBATCH --mem-per-cpu=MEMORY

Email értesítés
Levél küldése job állapotának változásakor (elindulás,leállás,hiba): ahol az  az értesítendő emial cím.
 * 1) SBATCH --mail-type=ALL
 * 2) SBATCH --mail-user=EMAIL

Tömbfeladatok (arrayjob)
Tömbfeladatokra akkor van szükségünk, egy szálon futó (soros) alkalmazást szeretnénk egyszerre sok példányban (más-más adatokkal) futtatni. A példányok számára az ütemező a  környezeti változóban tárolja az egyedi azonosítót. Ennek lekérdezésével lehet az arrayjob szálait elkülöníteni. A szálak kimenetei a  fájlokba íródnak. Az ütemező a feltöltést szoros pakolás szerint végzi. Ebben az esetben is érdemes a processzorszám többszörösének választani a szálak számát. Bővebb ismertető

Alice felhasználó a foobar számla terhére, maximum 24 órára ad fel 96 db soros jobot. A  direktíva jelzi, hogy tömbfeladatról van szó. Az alkalmazást az  paranccsal kell indítani. Ebben az esetben ez egy shell szkript. srun envtest.sh
 * 1) !/bin/bash
 * 2) SBATCH -A foobar
 * 3) SBATCH --time=24:00:00
 * 4) SBATCH --job-name=array
 * 5) SBATCH --array=1-96

Soros (serial) jobok
Több soros job futtatását a tömbfeladatokhoz hasonlóan kell indítani.

A következő példában a test sorban 3 egy szálon dutó programot indítunk el. A programok és az inputok lehetnek különbözőek. Fontos, hogy az utolsó parancsot nem kell a háttérben (&) indítani és a wait-tel kell befejezni a job szkriptet. srun -n 1 program input1 & srun -n 1 program input2 & srun -n 1 program input3 wait
 * 1) !/bin/bash
 * 2) SBATCH --job-name=serial
 * 3) SBATCH --time=24:30:00
 * 4) SBATCH -n 3
 * 5) SBATCH --partition=test

OpenMPI feladatok
MPI feladatok esetén meg kell adnunk az egy node-on elinduló MPI processzek számát is. A leggyakoribb esetben ez az egy node-ban található CPU core-ok száma. A párhuzamos programot az  paranccsal kell indítani.

Bob felhasználó a barfoo számla terhére 2 node-ot, 12 órára foglal le egy MPI job számára. Az egyes node-okon 24 MPI szálat fog elindítani. A program stdout kimenetét a  fájlba irányítja. mpirun ./a.out
 * 1) !/bin/bash
 * 2) SBATCH -A barfoo
 * 3) SBATCH --job-name=mpi
 * 4) SBATCH -N 2
 * 5) SBATCH --ntasks-per-node=24
 * 6) SBATCH --time=12:00:00
 * 7) SBATCH -o slurm.out

SGI ccNUMA UV 1000 (Pécs)
A pécsi gépen legalább 6 szálon működő jobok futtatása lehetságes. Az egyetlen elfogadott paraméter a szálak szám (`-n`), amelynek 6 többszörösének kell lenni. Ezen a gépen nincs teszt sor. Kérjük, hogy 48-nál kevesebb szálon futó programokat az UV-n ne futtassanak! Egy szálú ill. array jobok futtatása nem lehetséges.

OMP Példa
/opt/nce/bin/numainfo OMP_NUM_THREADS=$SLURM_NTASKS ./a.out
 * 1) !/bin/bash
 * 2) SBATCH -A barfoo
 * 3) SBATCH --job-name=omp
 * 4) SBATCH -n 48
 * 5) SBATCH --time=03:00:00
 * 6) SBATCH -o slurm.out

SGI MPT MPI Példa
/opt/nce/bin/numainfo mpirun $SLURM_NTASKS ./a.out
 * 1) !/bin/bash
 * 2) SBATCH -A barfoo
 * 3) SBATCH --job-name=omp
 * 4) SBATCH -n 48
 * 5) SBATCH --time=03:00:00
 * 6) SBATCH -o slurm.out

Jobok monitorozása
CPU használat: smonitor -n 

Memória használat: smonitor -m 

Ütemezés sor foglaltsága: sinfo_uv

SGI MPT MPI feladatok (Debrecen)
MPI feladatok esetén meg kell adnunk az egy node-on elinduló MPI processzek számát is. A leggyakoribb esetben ez az egy node-ban található CPU core-ok száma. A párhuzamos programot az  paranccsal kell indítani. Az SGI MPT MPI paraméterezése kicsit más, mint az OpenMPI. Debrecen az SGI MPT az alpértelmezett MPI környezet!

Bob felhasználó a barfoo számla terhére 2 node-ot, 12 órára foglal le egy MPI job számára. Az egyes node-okon 24 MPI szálat fog elindítani. A program stdout kimenetét a  fájlba irányítja. source /opt/nce/bin/machines export MPI_OPT="${MACHINES} -np ${SLURM_NTASKS_PER_NODE}" mpirun ${MPI_OPT} ./a.out
 * 1) !/bin/bash
 * 2) SBATCH -A barfoo
 * 3) SBATCH --job-name=mpi
 * 4) SBATCH -N 2
 * 5) SBATCH --ntasks-per-node=12
 * 6) SBATCH --time=12:00:00
 * 7) SBATCH -o slurm.out

SGI PerfBoost egyéb MPI feladatokra (Debrecen)
Az SGI MPT lehetőséget ad arra, hogy nem MPT MPI-vel fordított MPI programok is használjunk. Ebben az esetben az MPI hívások MPT hívásokkal cserélődnek ki.

Egy OpenMPI-re fordított program indítása:

source /opt/nce/bin/machines export MPI_OPT="${MACHINES} -np ${SLURM_NTASKS_PER_NODE}" mpirun ${MPI_OPT} perfboost -ompi ./a.out
 * 1) !/bin/bash
 * 2) SBATCH -A barfoo
 * 3) SBATCH --job-name=mpi
 * 4) SBATCH -N 2
 * 5) SBATCH --ntasks-per-node=12
 * 6) SBATCH --time=12:00:00
 * 7) SBATCH -o slurm.out

CPU binding
Az MPI programok teljesítménye általában javítható a processzek CPU magokhoz kötésével. Ilyenkor a párhuzamos program szálait az operációs rendszer nem ütemezi a CPU magok között, ezért javulhat a memória lokalizáció (kevesebb cache miss). A kötés használata ajánlott. Tesztekkel meg kell győződni, hogy egy adott alkalmazás esetén melyik kötési stratégia adja a legjobb eredményt. A következő beállítások az OpenMPI környezetre vontakoznak. A kötésekről részletes információt a  MPI opcióval kaphatunk. Az indítási parancsok melett a részletes binding információ néhány sora is látható. Fontos, hogy az ütemező task binding-ját nem kell használni!

Kötés CPU magonként
Ebben az esetben az MPI szálak (rank) sorban töltik fel a CPU magokat. Indítási parancs: mpirun --bind-to-core --bycore

[cn05:05493] MCW rank 0 bound to socket 0[core 0]: [B. . . . . . . . . . .][. . . . . . . . . . . .] [cn05:05493] MCW rank 1 bound to socket 0[core 1]: [. B. . . . . . . . . .][. . . . . . . . . . . .] [cn05:05493] MCW rank 2 bound to socket 0[core 2]: [. . B. . . . . . . . .][. . . . . . . . . . . .] [cn05:05493] MCW rank 3 bound to socket 0[core 3]: [. . . B. . . . . . . .][. . . . . . . . . . . .]

Kötés CPU foglalat szerint
Ebben az esetben az MPI szálak váltakozva töltik fel a CPU-kat. Indítási parancs: mpirun --bind-to-core --bysocket

[cn05:05659] MCW rank 0 bound to socket 0[core 0]: [B. . . . . . . . . . .][. . . . . . . . . . . .] [cn05:05659] MCW rank 1 bound to socket 1[core 0]: [. . . . . . . . . . . .][B. . . . . . . . . . .] [cn05:05659] MCW rank 2 bound to socket 0[core 1]: [. B. . . . . . . . . .][. . . . . . . . . . . .] [cn05:05659] MCW rank 3 bound to socket 1[core 1]: [. . . . . . . . . . . .][. B. . . . . . . . . .]

Kötés node-ok szerint
Ebben az esetben az MPI szálak váltakozva töltik fel a node-okat. Lagalább 2 node foglalása szükséges. Indítási parancs: mpirun --bind-to-core --bynode

[cn05:05904] MCW rank 0 bound to socket 0[core 0]: [B. . . . . . . . . . .][. . . . . . . . . . . .] [cn05:05904] MCW rank 2 bound to socket 0[core 1]: [. B. . . . . . . . . .][. . . . . . . . . . . .] [cn06:05969] MCW rank 1 bound to socket 0[core 0]: [B. . . . . . . . . . .][. . . . . . . . . . . .] [cn06:05969] MCW rank 3 bound to socket 0[core 1]: [. B. . . . . . . . . .][. . . . . . . . . . . .]

OpenMP (OMP) feladatok
OpenMP párhuzamos alkalmazásokhoz maximum 1 node-ot lehet lefoglalni. Az OMP szálák számát az  környezeti változóval kell megadni. A változót vagy az alkamazás elé kell írni (ld. példa), vagy exportálni kell az indító parancs előtt:

A következő példában egy taskhoz 10 CPU core-t rendeltunk, a 10 CPU core-nak egy node-on kell lennie. A CPU core-ok számát a  változó tartalmazza, és ez állítja be az OMP szálak számát is.

Alice felhasználó a foobar számla terhére, maximum 6 órára indít el egy 10 szálas OMP alkalmazást. OMP_NUM_THREADS=$SLURM_CPUS_PER_TASK ./a.out
 * 1) !/bin/bash
 * 2) SBATCH -A foobar
 * 3) SBATCH --job-name=omp
 * 4) SBATCH --time=06:00:00
 * 5) SBATCH --ntasks=1
 * 6) SBATCH --cpus-per-task=10

Hibrid MPI-OMP feladatok
Hibrid MPI-OMP módról akkor beszélünk, ha a párhuzamos alkalmazás MPI-t és OMP-t is használ. Érdemes tudni, hogy az Intel MKL-el linkelt programok MKL hívásai OpenMP képesek. Általában a következő elosztás javasolt: az MPI processzek száma 1-től az egy node-ban található CPU foglalatok száma, az OMP szálak ennek megfelelően az egy node-ban található összes CPU core szám vagy annak fele, negyede (értelem szerűen). A jobszkipthez a fenti két mód paramétereit kombinálni kell.

A következő példában 2 node-ot, és node-onként 1-1 taskot indítunk taskonként 24 szállal. Alice felhasználó a foobar számla terhére, 8 órára, 2 node-ra küldött be egy hibrid jobot. Egy node-on egyszerre csak 1 db MPI processz fut ami node-onként 24 OMP szálat használ. A 2 gépen összesen 2 MPI proceszz és 2 x 24 OMP szál fut. export OMP_NUM_THREADS=$SLURM_CPUS_PER_TASK mpirun ./a.out
 * 1) !/bin/bash
 * 2) SBATCH -A foobar
 * 3) SBATCH --job-name=mpiomp
 * 4) SBATCH --time=08:00:00
 * 5) SBATCH -N 2
 * 6) SBATCH --ntasks=2
 * 7) SBATCH --ntasks-per-node=1
 * 8) SBATCH --cpus-per-task=24
 * 9) SBATCH -o slurm.out

Maple Grid feladatok
Maple-t az OMP feladatokhoz hasonlóan 1 node-on lehet futtatni. Használatához be kell tölteni a maple modult is. A Maple kliens-szerver üzemmódban működik ezért a Maple feladat futtatása előtt szükség van a grid szerver elindítására is. Ez az alkalmazás licensz köteles, amit a jobszkriptben meg kell adni. A Maple feladat indátását a  paranccsal kell elvégezni.

Alice felhasználó a foobar számla terhére, 6 órára indítja el a Maple Grid alkalmazást:
 * 1) !/bin/bash
 * 2) SBATCH -A foobar
 * 3) SBATCH --job-name=maple
 * 4) SBATCH -N 1
 * 5) SBATCH --ntasks-per-node=24
 * 6) SBATCH --time=06:00:00
 * 7) SBATCH -o slurm.out
 * 8) SBATCH --licenses=maplegrid:1

module load maple

${MAPLE}/toolbox/Grid/bin/startserver ${MAPLE}/toolbox/Grid/bin/joblauncher ${MAPLE}/toolbox/Grid/samples/Simple.mpl

Matlab feladatok
Ez az alkalmazás licensz köteles, amit a jobszkriptben meg kell adni. Összesen 96 darab Distributed Computing Server, 13 darab Distributed Computing Toolbox és 13 Matlab licensz lett megvásárolva.
 * 1) !/bin/bash


 * 1) SBATCH -A foobar
 * 2) SBATCH --job-name="Matlab test job"
 * 3) SBATCH -n 1
 * 4) SBATCH --licenses=matlabdce:1,matlabdct:1,matlab:1
 * 5) SBATCH -o slurm.out

matlab -nodisplay < job.m

GPU-k használata
A szegedi szuperszámítógép rendelkezik 2db GPU kártyákkal is felszerelt compute node-dal. A GPU node-okban 2x6db Nvidia Tesla M2070-es kártya található. A GPU-s node-ok külön job sorban található. A GPU-k számát a  direktívával kell megadni.

Alice felhasználó a foobar számla terhére, 4GPU-n, 6 órára indítja a következő jobot.
 * 1) !/bin/bash
 * 2) SBATCH -A foobar
 * 3) SBATCH --job-name=GPU
 * 4) SBATCH --partition gpu
 * 5) SBATCH --gres gpu:4
 * 6) SBATCH --time=06:00:00

$PWD/gpu_burnout 3600

Saját programok telepítése
A saját fordítású programokat a HOME könyvtáradba kell telepíteni, ezt általában a fordítás előtti lefuttatott configure szkripttel lehet beállítani. Az adott program a $HOME/local alá fog települni. A PATH és egyéb környezeti változókat értelem szerűen kell beállítani. cd $HOME mkdir local (belépés az alklamazás könyvtárába) ./configure --prefix=$HOME/local make; make install

A frontend gépeken felhasználói limitek vannak beállítva. Ezekről a következő paranccsal kapunk információt: A limitek a compute node-okon és az UV-n nincsenek beállítva.

Java JVM heap méret
A memória limit miatt a Java virtuális gépen és fordító nem jól működik, ezért meg kell adni a maximális heap méretét: java -Xmx512m -version javac -J-Xmx512m -version vagy exportálni kell a következő változót: export _JAVA_OPTIONS="-Xms1g -Xmx1g"

Python Numpy és Scipy használat
A numerikus Python használatához a következő csomagokat kell betölteni: A numpy és a scipy csomagok az Intel MKL OpenMP gyorsítását használják. A jobokat az  párhuzamos környezetbe kell elküldeni.

Fordítás
Elérhető fordítók listája

A fordítási paramétereket az NCE környezeti változókból érdemes kiolvasni: NCE_OFLAGS - optimalizációs kapcsolók C és Fortran NCE_FFLAGS - Fortran kapcsolók NCE_CFLAGS - C kapcsolók NCE_LDFLAGS - könyvtárak C és Fortran Az NCE környezeti változó listáját az  paranccsal kérhetjük le.

A budapesti gépen elérhető a PRACE környezet is, amely tartalmaz egy ajánlott kapcsoló és könyvtár összeállítást tartalmaz. A PRACE környezet betöltése: A PRACE környezet az AMD ACML matematikai könyvtárakat használja, amennyiben az Intel MKL-re van szükségünk, akkor a PRACE környezetet nem kell betölteni. A megfelelő MKL kapcsolókat az Intel Link Advisor szerint kell beállítani, pl.: FFLAGS=-openmp -I$(MKLROOT)/include CFLAGS=-openmp -I$(MKLROOT)/include LDFLAGS=$(MKLROOT)/lib/intel64/libmkl_scalapack_lp64.a \ -Wl,--start-group \ $(MKLROOT)/lib/intel64/libmkl_intel_lp64.a \ $(MKLROOT)/lib/intel64/libmkl_intel_thread.a \ $(MKLROOT)/lib/intel64/libmkl_core.a \ $(MKLROOT)/lib/intel64/libmkl_blacs_openmpi_lp64.a \ -Wl,--end-group -lpthread -lm

OpenMP
Az OpenMP paraméterket környezeti változókon keresztül kell beállítani. Az  párhuzamos SLURM környezet az OpenMP szálak számát beállítja. Tovább környezeti változókat az LLNL OpenMP oldalán találtok.

MPI
Az alapértelmezett MPI könyvtár az Open MPI. Ajánlott optimalizációs kapcsolók (CPU binding):

SGI ICE Debrecen
Az alapértelmezett MPI könyvtár az SGI MPT. A felhasználói programokat ehhez a könyvtárhoz érdemes fordítani. Ajánlott fordítás opciók:

MPI és OpenMP fordítási opciók
Ebben az esetben az MKL műveletek OpenMP szálasíthatók, a program hibrid MPI és OMP módban is tud üzemelni.

ARC köztesréteg
Ez a NorduGrid közösség által fejlesztett Grid köztesréteg. Részletes dokumentációkért ezt a weboldalt érdemes felkeresni.

Miért is használjuk?!

 * Jobb terhelés elosztást tesz lehetővé a szuperszámítógépek között
 * A jobok azon a gépen fognak elindulni, ami a legmegfelelőbb a számára
 * Egy nagy egységgé kapcsolja össze a szuperszámítógépeket
 * Szabványos webservice interfésszel (OGSA-BES, HPC Basic Profile) rendelkezik. Ezáltal könnyen lehet integrálni más rendszerekkel
 * Nagyon sok operációs rendszert támogat
 * A saját számítógépünkről tudjuk kezelni a szuperszámítógépes jobokat
 * A futás idejű környezetek használatával a megfelelő módon lefordított alkalmazást tudjuk használni és nem kell észben tartani, hogy éppen melyik szuperszámítógépen van telepítve a program

Grid tanúsítvány igénylése
Első lépésként szükségünk lesz egy Grides X.509 tanúsítványra, amivel az ARC klienseket használni tudjuk. A HPC portálon keresztül lehetőségünk van igényelni egy 2 hétig érvényes SLCS tanúsítványt. A személyes adatok menüpontra kell kattintani és az oldal végén lesz az igénylő felület. '''Fontos: legalább egy HPC projekt tagsággal rendelkeznünk kell a HPC portálon. ''' Itt található az a letölthető UNIX script is, ami minden szükséges beállítást elvégez a számunkra:

Az SLCS másik nagy előnye az egyszerűsített igénylésen kívül az, hogy 1 órán belül az összes szuperszámítógépen automatikusan engedélyezve lesz. Viszont ha nem szeretnénk minden második héten új X.509-es tanúsítványt igényelni, akkor lehetőség van arra is, hogy 1 évig érvényes IGTF tanúsítványt igényeljünk a KIFÜ-től ezen az oldal keresztül. Ebben az esetben a [mailto:hpc-support@niif.hu] címre kell elküldenünk az IGTF-es tanúsítványunk publikus részét és meg kell adnunk, hogy melyik témaszámunkhoz legyen majd rendelve a szuperszámítógépeken.

Telepítés
A csomagok telepítéséhez az itt leírt repo-kat lehet használni: http://download.nordugrid.org/repos-15.03.html Fontos: 5.0-ás ARC verziót telepítsük.

Debian alapú rendszerek esetén: apt-get install nordugrid-arc-client

Redhat alapú rendszerek esetén: yum install nordugrid-arc-client

OSX csomag telepítése brew segítségével: brew install nordugrid-arc

Ha nem találtunk megfelelő csomagot, akkor innen le tudjuk tölteni a forráskódját és le tudjuk fordítani.

Konfigurálás
$HOME/.arc/client.conf:

Érdemes beállítani, hogy alapértelmezés szerint a FastestQueue brókert használja, ezáltal mindig arra a szuperszámítógépre fogja küldeni a jobokat, ahol a legkevesebb a várakozó jobok száma. A konfigurációs fájl részletes dokumentációját és az ARC kliensek leírásait itt lehet megnézni.

Grid proxy készítése
Ha már telepítettük a tanúsítványunkat és az ARC klienseket akkor a következő lépés az, hogy egy proxy tanúsítványt kell készítenünk, ami alapértelmezés szerint 12 óráig érvényes.

Tesztelési célból ezeket a parancsokat érdemes kipróbálni:

Grid job készítése
A jobok leírására több formátumot is használhatunk: JSDL, vagy xRSL. Így adjuk meg, hogy a jobunknak mire van szüksége. Itt egy példa job:

Ennél a példánál a APPS/MATH/MATLAB-7.13 futásidejű környezetet kértük, ezáltal ez a job csak azon a szuperszámítógépen fog elindulni, ahol ez telepítve van. Továbbá azt kértük még, hogy 240 percig futhasson és legalább 1000 MByte memória rendelkezésre álljon.

Az arcinfo -l paranccsal tudjuk megnézni, hogy a szuperszámítógépeken milyen futás idejű környezetek (runtime environment-ek) vannak telepítve. Ha szeretnénk egy új környezet beállíttatni, akkor [mailto:hpc-support@niif.hu ide] kell levelet küldeni.

OpenMP példa
Job elkészítése:

Grafikus felületű ARC kliens
Parancssoros klienseken kívül használni lehet még grafikus klienseket is. Innen tudják letölteni őket.