142
szerkesztés
Módosítások
a
=== Hozzáférés a Shell Framework használatával ===* Debreceni EgyetemA Shell Framework egy összetett Bash alapú keretrendszer, ami kifejezetten a HPC felhasználók igényei alapján lett kifejlesztve. Jelentősen egyszerűsíti az SSH-val és a jobok kezelésével kapcsolatos teendőket. Támogatott operációs rendszerek: OS X, Linux.* KIFÜ központ* Pécsi Tudományegyetem* Szegedi Tudományegyetem
Új SSH MID-et === 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 tudunk létrehoznikapjuk meg:<source lang="bash"code> sshmgr -n <MID>module avail</sourcecode>A következő beállításokat kell beleírni a MID fájlbamár betöltött modulok listáját:<source lang="bash"code> # a távoli gép IP címe vagy DNS neve mid_ssh_fqdn="skynet.cyberdy.ne" # távoli felhasználói név mid_ssh_user="$USER" # SSH port mid_ssh_port=22 # explicit ellenőrzés mid_ssh_port_check="ping"module list</sourcecode>Amennyiben nincs még SSH kulcsunk a szkript létrehozza ezt. Az SSH kulcsokat Alkalmazást a következő paranccsal tölthetünk be:<ttcode>$HOME/shf3/key/sshmodule load APPS</ttcode> könyvtár alatt találjuk: privát kulcs: <tt><MID>.sec</tt>, publikus kulcs: <tt><MID>.pub</tt>. A publikus részt kell eljuttatni a távoli gépre ill. elküldeni a regisztráció során. Ha vannak már kulcsaink, akkor ebbe a könyvtárba kell másolni ahol az előbb említett nevekkel. Az SSH MID-ek a <ttcode>$HOME/shf3/mid/sshAPPS</ttcode> könyvtár alatt vannak a <tt><MID></tt> nevű fájlokban. Minden SSHbetöltendő modulok space-val kapcsolatos parancs ezekt a fájlokat olvassa és használja a kulcsokat, ha elérhetőkszel elválasztott listája.
== SGI UV Pécs ==A pécsi gépen csak SMP vagy MPI programok futtatása engedélyezett. Minimálisan 12 szálat lehet lefoglalni. A foglalás alapegysége a numa node, ami 2x6 processzort és 60GB memóriát tartalmaz. Érdemes 12 többszörösével számolni a lefoglalalndó szálakat, pl.: 12, 24, 48, 96... Ha 2 hatványaira van szükségünk, akkor az SGE foglalást a legközelebbi 12-es szálszámmal kérjük, és az MPI-t vagy az OMP paraméterezzük 2^n szerintNIIF által beállított környezeti változókat <code>nce</code> parancs listázza ki.
Az alapértelmezett MPI könyvtár az SGI MPT. Ez a könyvtár biztosítja a legjobb teljesítményt az UV gépen. ==== Példa ====A felhasználói programokat ehhez a könyvtárhoz kell fordítani. Fordításhoz Maple, netcfd és az Intel Link Advisor-t érdemes használni. Az ajánlott fordítás opciókR csomagok betöltése:<code>module load maple netcdf R</code>
=== MPI SGE job szkript példa ===<source lang="bash"> #!Ennél a példánál a '''APPS/binMATH/bash ### SGE #$ MATLAB-N MPITEST # 12 órás walltime limit #$ -l h_rt=12:00:00 # 384 szál lefoglalása az # mpi párhuzamos környezetben #$ -pe mpi 384 # az uv7.q sor használatával #$ -q uv.q # 13''' futásidejű környezetet kértük, ezáltal ez a standard kimenet ide íródik #$ -o StdOut # job csak azon a hibakimenet ide íródik #$ -e StdErr # a jelenlegi shell környezet exportálódik #$ -V ### NUMA # az StdOut-ba írja a numa node információt numactl --show ### OMP # OMP beállításokszuperszámítógépen fog elindulni, ahol ez telepítve van. Továbbá azt kértük még, hogy 240 percig futhasson és legalább 1000 MByte memória rendelkezésre álljon.
export OMP_NUM_THREADS=1 ### MPI # MPI beállításokAz '''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.
export MPI_MEMMAP_OFF=1 # saját szkript vagy az mpirun közvetlen meghívás # 384 MPI szál fog elindulni mpirun 384 dplace -s 1 <APP></source>Az `<APP>` helyére kell írni a futtatandó programot és paramétereit. A `dplace` egy SGI előtétprogram, ami az MPI szálak ideális CPU elosztását végzi, megadása javasolt, mert általában javítja a teljesítményt.=== OpenMP példa ====
[[Category: HOWTO]]
→Köszönetnyilvánítás
== Hozzáférés a szuperszámítógépekhez A szuperszámítógépekről == A szuperszámítógépekhez kulcsos SSH használatával lehet hozzáférniKIFÜ szuperszámítógép szolgáltatása tudományos számítási feladatok futtatására, valamint tudományos célú adattárolásra szolgál.A jelenleg integrált szuperszámítógép-rendszer komponensei négy helyszínen találhatók:
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 === Telepítés és frissítés 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 keretrendszer témában több videót is készítettünk, amelyek bemutatják a hozzáférés menetét (kulcsgenerálás és hozzáférés) és a githubfilefeltöltés gyakorlati tutoriál keretében Windows operációs rendszeren. * [http://videotorium.comhu/hu/recordings/details/12290,Hozza_fe_re_s_a_HPC-ról telepíthető és frissíthetőhez_kezdo_le_pe_sek_elo_ada_s_e_s_demo_ Kezdő lépések (videó)] * [http://videotorium.hu/hu/recordings/details/12307,A_HPC_felhaszna_la_s_gyakorlati_le_pe_sei_demo_.mp4 A HPC felhasználás gyakorlati lépései (videó)] A fenti videók tartalmazhatnak elavult információkat pl. az ütemezővel kapcsolatban, a jelenlegi ütemező használatához külön videóanyagot ajánljunk. A telepítéséhez 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 következő parancsokat character set-et kell futtatni a terminálban:UTF-8-ra állítani. === SSH belépés ===<code>ssh USER@login.SITE.hpc.niif.hu cd $HOME</code> git clone git:ahol a <code>USER</code> a felhasználónév, a <code>SITE</githubcode> pedig a belépéshez használt szupergép neve: '''budapest''', '''debrecen''', '''pecs''', '''szeged'''.comNem alapértelmezett kulcs használata a <code>-i KULCS</hornos/shf3code> kapcsolóval lehetséges.git echo 'source $HOMEBelépés a szegedi gépre alice felhasználóként, az SSH privát kulcsot a <code>keys/shf3szeged</bincode> fájlból olvasva:<code>ssh -i keys/shfrc' szeged alice@login.szeged.hpc.niif.hu</code> === Fájl másolás SCP segítségével ===Letöltés a HOME könyvtárból és feltöltés a HOME könyvtárba:<pre> $scp USER@login.SITE.hpc.niif.hu:FILE FILEscp FILE USER@login.SITE.hpc.niif.hu:FILE</pre> A szegedi gép HOMEkönyvtárában lévő <code>stuff.tgz</code> fájl letöltése a helyi gép aktuális könyvtárába:<code>scp bob@login.szeged.hpc.niif.hu:stuff.profile source tgz .profile
</code>
=== Adatátvitel rsync segítségével ===Nagyobb fájlok ill. könyvtárstruktúrák szinkronizálásához az SSH-t és az rsync-et együtt kell használni. Fel- és leszinkronizálás:<pre>rsync -a -e ssh DIRECTORY USER@login.budapest.hpc.niif.hu:/home/USERrsync -a -e ssh USER@login.budapest.hpc.niif.hu:/home/USER/DIRECTORY</pre> A frissítéseket budapesti gépre szinkronizálom a helyi <code>src</code> könyvtár tartalmát (nem az alapértelmezett kulcsot használva) és a következő paranccsal tudjuk letöltenimásolás folyamatát nyomonkövetem:<source lang="bash"code> shfmgr rsync -a -h --progress -e "ssh -ui keys/budapest" ./src alice@login.budapest.hpc.niif.hu:/home/alice</sourcecode>
==== SSH elérés beállítása ==Felhasználói felület ==Az SSH modul független A szupergépek elsődleges felhasználói felülete a <tt>$HOME/Bash shell.ssh</tt> könyvtárban található konfigurációtól. Minden SSH login/gép pároshoz tartozik egy MID fájl. Ebben Az automatikusan betöltődő NIIF Common Environment (NCE) a fájlban vannak tárolva az SSH paraméterei <tt>kulcs=érték</tt> formában. A MID fájl Bash formátumú szkript fájl, amelyet más programokban PS1 promptot a következőképp állítja be:<tt>source</tt> paranccsal tudunk beolvasni. A <ttcode> rövid CWD | BUDAPEST[login] ~ (0)$HOME/shf3 | | | HPC állomás | | rövid gép név | előző parancs exit kódja</ttcode> könyvtár tartalmazza a teljes keretrendszert és a beállításokat is, ezért ezt a könyvtárat tehetjük egy titkosított USB meghajtóra is és symlinkelhetjük a home könyvtárunkba.
=== Adatok megosztása projekt tagok számára ===Fájlok ill. könyvtárak megosztásához használjuk a [http://www.techrepublic.com/blog/linux-and-open-source/learn-to-use-extended-file-attributes-in-linux-to-boost-security/](fájlrendszer ACL-eket). Az ACL-ekkel a hagyományos unix engedélyeken felül finoman szabályozhatjuk a fájlok és könyvtárak hozzáférési engedélyeit. <span style="color:#ce1256"> Kérjük, hogy fokozottan figyeljenek arra, hogy a teljes <code>$HOME</code> könyvtárra sose adjanak "rwx" jogot más felhasználóknak, mivel pl. a <code>.ssh</code> mappa nagyon érzékeny a jogosultságokra, és a rendszer nem fogja beengedni legközelebb a felhasználót!</span> A következő példában a <code>$HOME/Shared</code> könyvtárat osztjuk egy munkatárs számára:<pre># a home könyvtár beállítása# user1 user számára belépsi engedély: u:user1:x $ setfacl -m u:user1:x $HOME$ getfacl $HOME# file: user2/user2# owner: user2# group: user2user::rwxuser:user1:--xgroup::r-xmask::r-xother::---# Shared könyvtár megosztása# user1 számára minden unix jog$ cd$ mkdir Shared$ setfacl -m u:user1:rwx $HOME/Shared$ getfacl Shared# file: Shared# owner: user2# group: user2user::rwxuser:user1:rwxgroup::rwxmask::rwxother::r-x</pre> == Python csomag telepítése a saját home könyvtárunkba ==Itt egy példa arra, hogy hogyan tudjuk feltelepíteni a mercurial python csomagot.<pre>$ module load python $ pip install --user mercurial</pre> == 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:<pre>cd; mkdir shared; ln -s /mnt/fhgfs/home/$USER shared/$USER </pre>Ezek után a <code>$HOME/shared/$USER</code> könyvtárba másoljuk a megosztott fájlokat. Ez a könyvtár a következő környezeti változóba is exportálódik:<pre>$NCE_SHARED </pre> === Biztonsági mentés, adatmegosztás ===A következő példa mentést végez a <code>$HOME/data</code> könyvtárról:<pre>rsync -avuP $HOME/data $NCE_SHARED</pre>Törölje a fájlokat a mentésben is:<pre>rsync -avuP --delete $HOME/data $NCE_SHARED</pre> == 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: <code>hpc-forum kukac listserv.niif.hu</code>. Feliratkozni [https://listserv.niif.hu/mailman/listinfo/hpc-forum 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 <code>hpc-support kukac niif.hu</code> címet. Az utóbbi esetben pár napos türelmüket mindenképp kérjük válaszunkig. == SLURM ütemező használata ==Weboldal: http://slurm.schedmd.com A SLURM ütemező bemutatása: * [http://videotorium.hu/hu/recordings/details/6122,A_slurm_HPC_utemezo 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:<code>sbalance</code> 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.<pre>Scheduler Account Balance---------- ----------- + ---------------- ----------- + ------------- -----------User Usage | Account Usage | Account Limit Available (CPU hrs)---------- ----------- + ---------------- ----------- + ------------- -----------alice 0 | foobar 0 | 0 0bob * 0 | foobar 0 | 0 0 bob * 7 | barfoo 7 | 1,000 993alice 0 | barfoo 7 | 1,000 993</pre> === A gépidő becslése ===Nagyüzemi (production) futtatások előtt gépidőbecslést érdemes végezni. Ehhez a következő parancs használható:<code>sestimate -N NODES -t WALLTIME</code>ahol a <code>NODES</code> a lefoglalni kívánt node-ok száma, a <code>WALLTIME</code> 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 <code>sacct</code> paranccsal is ellenőrizni.''' Alice 2 nap 10 órára és 2 node-ra szeretne foglalást kérni, megnézi van-e elég gépidő a számláján:<pre>sestimate -N 2 -t 2-10:00:00 Estimated CPU hours: 2784</pre>Sajnos ebben a hónapban erre már nem telik. === Állapotinformációk ===Az ütemezőben lévő jobokról az <code>squeue</code>, a klaszter általános állapotáról az <code>sinfo</code> parancs ad tájékoztatást. Minden beküldött jobhoz egy egyedi azonosítószám (JOBID) rendelődik. Ennek ismeretében további információkat kérhetünk. Feladott vagy már futó job jellemzői:<code>scontrol show job JOBID</code> 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:<code>sacct -l -j JOBID</code> A felhasznált memóriáról a következő parancs ad tájékoztatást:<code>smemory JOBID</code> A lemezhasználatról pedig a<code>sdisk JOBID</code> ==== Slurm figyelmeztető üzenetek ====<pre>Resources/AssociationResourceLimit - Erőforrásra várAssociationJobLimit - Nincs elég CPU idő vagy a maximális CPU szám le van foglalvaPiority - Alacsony prioritás miatt várakozik</pre>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.<pre>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</pre> 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.<pre>smemory 430 MaxVMSize MaxVMSizeNode AveVMSize MaxRSS MaxRSSNode AveRSS---------- -------------- ---------- ---------- ---------- ----------10271792K cn06 10271792K 6544524K cn06 6544524K 10085152K cn07 10085152K 6538492K cn07 6534876K </pre> ==== CPU felhasználás ellenőrzése ====Nagyon fontos meggyőződni arról, hogy az alkalmazás kihasználja-e a rendelkezésre álló gépidőt. Egy futó alkalmazás a következő paranccsal tudunk monitorozni:<code>sjobcheck JOBID</code> 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 <code>User</code> oszlop értékei 90 fölött vannak. Ez alatt valamilyen probléma lépett fel és a futást érdemes megszakítani.<pre>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] OFFcn07 24 ( 25/ 529) [ 24.93, 24.88, 20.98] [ 99.8, 0.0, 0.2, 0.0, 0.0] OFFcn06 24 ( 25/ 529) [ 25.00, 24.90, 20.97] [ 99.9, 0.0, 0.1, 0.0, 0.0] OFFcn05 24 ( 25/ 544) [ 25.11, 24.96, 20.97] [ 99.8, 0.0, 0.2, 0.0, 0.0] OFF</pre> ==== Licenszek ellenőrzése ====Az elérhető és éppen használt licenszekről a következő parancs ad információt:<code>slicenses</code> ==== Karbantartás ellenőrzése ====A karbantartási időablakban az ütemező nem indít új jobokat, de beküldeni lehet. A karbantartások időpontjairól a következő parancs ad tájékoztatást:<code>sreservations</code> ==== Összesített felhasználás ====Egy hónapra visszamenőleg az elfogyasztott CPU perceket a következő paranccsal kérhetjük le:<code>susage</code> ==== Teljes fogyasztás ====Ha szeretnénk tájékozódni arról, hogy egy bizony idő óta mennyi a CPU idő felhasználásunk akkor azt ezzel paranccsal tudjuk lekérdezni: <code>sreport -t Hours Cluster AccountUtilizationByUser Accounts=niif Start=2014-01-01</code> 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 <code>#SBATCH</code> direktívával kell megadni. Az ütemezők összehasonlításáról és a Slurm-ban elérhető direktívákról a következő [http://slurm.schedmd.com/rosetta.pdf táblázat] ad bővebb tájékoztatást. ==== Kötelező paraméterek ====A következő paramétereket minden esetben meg kell adni:<pre>#!/bin/bash#SBATCH -A ACCOUNT#SBATCH --job-name=NAME#SBATCH --time=TIME</pre>ahol az <code>ACCOUNT</code> a terhelendő számla neve (elérhető számláinkről az <code>sbalance</code> parancs ad felvilágosítást), a <code>NAME</code> a job rövid neve, a <code>TIME</code> pedig a maximális walltime idő (<code>DD-HH:MM:SS</code>). A következő időformátumok használhatók: "minutes", "minutes:seconds", "hours:minutes:seconds", "days-hours", "days-hours:minutes" és "days-hours:minutes:seconds". A jobok feladását a következő parancs végzi:<code>sbatch jobscript.sh</code> Sikeres feladás esetén a következő kimenetet kapjuk:<pre>Submitted batch job JOBID</pre>ahol a <code>JOBID</code> a feladat egyedi azonosítószáma. A feladat leállítását a következő parancs végzi:<code>scancel JOBID</code> ==== Nem újrainduló jobok ====Nem újrainduló jobokhoz a következő direktívát kell használni:<pre>#SBATCH --no-requeue</pre> ==== Feladat sorok ====A szupergépeken két, egymást nem átfedő, sor (partíció) áll rendelkezésre, a <code>test</code> sor és a <code>prod</code> 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 <code>prod</code>. A teszt partíciót a következő direktívával lehet kiválasztani:<pre>#SBATCH --partition=test</pre> ==== A szolgáltatás minősége (QOS) ====A szolgáltatást alapértelmezett minősége <code>normal</code>, 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.<pre>#SBATCH --qos=fast</pre> ===== 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.<pre>#SBATCH --qos=lowpri</pre> ==== 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:<pre>#SBATCH --mem-per-cpu=MEMORY</pre>ahol <code>MEMORY</code> MB egységben van megadva. Budapesten és Szegeden a maximális memória/core 2600 MB. ==== Email értesítés ====Levél küldése job állapotának változásakor (elindulás,leállás,hiba):<pre>#SBATCH --mail-type=ALL#SBATCH --mail-user=EMAIL</pre>ahol az <code>EMAIL</code> az értesítendő emial cím. ==== 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 <code>SLURM_ARRAY_TASK_ID</code> környezeti változóban tárolja az egyedi azonosítót. Ennek lekérdezésével lehet az arrayjob szálait elkülöníteni. A szálak kimenetei a <code>slurm-SLURM_ARRAY_JOB_ID-SLURM_ARRAY_TASK_ID.out</code> fájlokba íródnak. Az ütemező a feltöltést szoros pakolás szerint végzi. Ebben az esetben is érdemes a processzorszám többszörösének választani a szálak számát. [http://slurm.schedmd.com/job_array.html Bővebb ismertető] Alice felhasználó a foobar számla terhére, maximum 24 órára ad fel 96 db soros jobot. A <code>#SBATCH --array=1-96</code> direktíva jelzi, hogy tömbfeladatról van szó. Az alkalmazást az <code>srun</code> paranccsal kell indítani. Ebben az esetben ez egy shell szkript.<pre>#!/bin/bash#SBATCH -A foobar#SBATCH --time=24:00:00#SBATCH --job-name=array#SBATCH --array=1-96srun envtest.sh</pre> ==== 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.<pre>#!/bin/bash#SBATCH --job-name=serial#SBATCH --time=24:30:00#SBATCH -n 3#SBATCH --partition=testsrun -n 1 program input1 &srun -n 1 program input2 &srun -n 1 program input3wait</pre> ==== OpenMPI feladatok ====MPI feladatok esetén meg kell adnunk az egy node-on elinduló MPI processzek számát is (<code>#SBATCH --ntasks-per-node=</code>). A leggyakoribb esetben ez az egy node-ban található CPU core-ok száma. A párhuzamos programot az <code>mpirun</code> 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 <code>slurm.out</code> fájlba irányítja (<code>#SBATCH -o</code>).<pre>#!/bin/bash#SBATCH -A barfoo#SBATCH --job-name=mpi#SBATCH -N 2#SBATCH --ntasks-per-node=24#SBATCH --time=12:00:00#SBATCH -o slurm.outmpirun ./a.out</pre> ==== 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 =====<pre>#!/bin/bash#SBATCH -A barfoo#SBATCH --job-name=omp#SBATCH -n 48#SBATCH --time=03:00:00#SBATCH -o slurm.out/opt/nce/bin/numainfoOMP_NUM_THREADS=$SLURM_NTASKS ./a.out</pre> ===== SGI MPT MPI Példa =====<pre>#!/bin/bash#SBATCH -A barfoo#SBATCH --job-name=omp#SBATCH -n 48#SBATCH --time=03:00:00#SBATCH -o slurm.out/opt/nce/bin/numainfompirun $SLURM_NTASKS ./a.out</pre> ===== Jobok monitorozása =====CPU használat:<pre>smonitor -n <JOBID></pre> Memória használat:<pre>smonitor -m <JOBID></pre> Ütemezés sor foglaltsága:<pre>sinfo_uv</pre> ==== SGI MPT MPI feladatok (Debrecen) ====MPI feladatok esetén meg kell adnunk az egy node-on elinduló MPI processzek számát is (<code>#SBATCH --ntasks-per-node=</code>). A leggyakoribb esetben ez az egy node-ban található CPU core-ok száma. A párhuzamos programot az <code>mpirun</code> paranccsal kell indítani. Az SGI MPT MPI paraméterezése kicsit más, mint az OpenMPI. '''Debrecen az SGI MPT az alpértelmezett MPI környezet!''' Bob felhasználó a barfoo számla terhére 2 node-ot, 12 órára foglal le egy MPI job számára. Az egyes node-okon 24 MPI szálat fog elindítani. A program stdout kimenetét a <code>slurm.out</code> fájlba irányítja (<code>#SBATCH -o</code>).<pre>#!/bin/bash#SBATCH -A barfoo#SBATCH --job-name=mpi#SBATCH -N 2#SBATCH --ntasks-per-node=12#SBATCH --time=12:00:00#SBATCH -o slurm.outsource /opt/nce/bin/machinesexport MPI_OPT="${MACHINES} -np ${SLURM_NTASKS_PER_NODE}"mpirun ${MPI_OPT} ./a.out</pre> ==== SGI PerfBoost egyéb MPI feladatokra (Debrecen) ====Az SGI MPT lehetőséget ad arra, hogy nem MPT MPI-vel fordított MPI programok is használjunk. Ebben az esetben az MPI hívások MPT hívásokkal cserélődnek ki. Egy OpenMPI-re fordított program indítása: <pre>#!/bin/bash#SBATCH -A barfoo#SBATCH --job-name=mpi#SBATCH -N 2#SBATCH --ntasks-per-node=12#SBATCH --time=12:00:00#SBATCH -o slurm.outsource lang/opt/nce/bin/machinesexport MPI_OPT="${MACHINES} -np ${SLURM_NTASKS_PER_NODE}"mpirun ${MPI_OPT} perfboost -ompi ./a.out</pre> ==== 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 <code>--report-bindings</code> 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.<pre>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 . . . . . . . .][. . . . . . . . . . . .]</pre> ===== Kötés CPU foglalat szerint =====Ebben az esetben az MPI szálak váltakozva töltik fel a CPU-kat.<pre>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 . . . . . . . . . .]</pre> ===== Kötés node-ok szerint =====Ebben az esetben az MPI szálak váltakozva töltik fel a node-okat. Lagalább 2 node foglalása szükséges.<pre>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 . . . . . . . . . .][. . . . . . . . . . . .]</pre> ==== OpenMP (OMP) feladatok ====OpenMP párhuzamos alkalmazásokhoz maximum 1 node-ot lehet lefoglalni. Az OMP szálák számát az <code>OMP_NUM_THREADS</code> környezeti változóval kell megadni. A változót vagy az alkamazás elé kell írni (ld. példa), vagy exportálni kell az indító parancs előtt:<code>export OMP_NUM_THREADS=10</code> 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 <code>SLURM_CPUS_PER_TASK</code> 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.<pre>#!/bin/bash#SBATCH -A foobar#SBATCH --job-name=omp#SBATCH --time=06:00:00#SBATCH --ntasks=1#SBATCH --cpus-per-task=10OMP_NUM_THREADS=$SLURM_CPUS_PER_TASK ./a.out</pre> ==== 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.<pre>#!/bin/bash#SBATCH -A foobar#SBATCH --job-name=mpiomp#SBATCH --time=08:00:00#SBATCH -N 2#SBATCH --ntasks=2#SBATCH --ntasks-per-node=1#SBATCH --cpus-per-task=24#SBATCH -o slurm.outexport OMP_NUM_THREADS=$SLURM_CPUS_PER_TASKmpirun ./a.out</pre> ==== Maple Grid feladatok ====Maple-t az OMP feladatokhoz hasonlóan 1 node-on lehet futtatni. Használatához be kell tölteni a maple modult is. A Maple kliens-szerver üzemmódban működik ezért a Maple feladat futtatása előtt szükség van a grid szerver elindítására is (<code>${MAPLE}/toolbox/Grid/bin/startserver</code>). Ez az alkalmazás licensz köteles, amit a jobszkriptben meg kell adni (<code>#SBATCH --licenses=maplegrid:1</code>). A Maple feladat indátását a <code>${MAPLE}/toolbox/Grid/bin/joblauncher</code> paranccsal kell elvégezni. Alice felhasználó a foobar számla terhére, 6 órára indítja el a Maple Grid alkalmazást:<pre>#!/bin/bash#SBATCH -A foobar#SBATCH --job-name=maple#SBATCH -N 1#SBATCH --ntasks-per-node=24#SBATCH --time=06:00:00#SBATCH -o slurm.out#SBATCH --licenses=maplegrid:1 module load maple ${MAPLE}/toolbox/Grid/bin/startserver${MAPLE}/toolbox/Grid/bin/joblauncher ${MAPLE}/toolbox/Grid/samples/Simple.mpl</pre> ====Matlab feladatok ====Ez az alkalmazás licensz köteles, amit a jobszkriptben meg kell adni (<code>#SBATCH --licenses=matlabdce:1,matlabdct:1,matlab:1</code>). Összesen 96 darab Distributed Computing Server, 13 darab Distributed Computing Toolbox és 13 Matlab licensz lett megvásárolva.<pre>#!/bin/bash #SBATCH -A foobar#SBATCH --job-name="Matlab test job"#SBATCH -n 1#SBATCH --licenses=matlabdce:1,matlabdct:1,matlab:1#SBATCH -o slurm.out matlab -nodisplay < job.m</pre> ==== 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 (<code>--partition gpu</code>). A GPU-k számát a <code>--gres gpu:#</code> direktívával kell megadni. Alice felhasználó a foobar számla terhére, 4GPU-n, 6 órára indítja a következő jobot.<pre>#!/bin/bash#SBATCH -A foobar#SBATCH --job-name=GPU#SBATCH --partition gpu#SBATCH --gres gpu:4#SBATCH --time=06:00:00 $PWD/gpu_burnout 3600</pre> == Alkalmazások beállításai ===== 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.<pre>cd $HOMEmkdir local(belépés az alklamazás könyvtárába)./configure --prefix=$HOME/localmake; make install</pre> A frontend gépeken felhasználói limitek vannak beállítva. Ezekről a következő paranccsal kapunk információt:<code>ulimit -a</code>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:<pre>java -Xmx512m -versionjavac -J-Xmx512m -version</pre>vagy exportálni kell a következő változót:<pre>export _JAVA_OPTIONS="-Xms1g -Xmx1g"</pre> === Python Numpy és Scipy használat ===A numerikus Python használatához a következő csomagokat kell betölteni:<code>module load python numpy scipy</code>A numpy és a scipy csomagok az Intel MKL OpenMP gyorsítását használják. A jobokat az <code>openmp</code> párhuzamos környezetbe kell elküldeni. == HP Budapest == === Fordítás ===Elérhető fordítók listája{| class="wikitable" border="1"|-! Forító! Soros! Párhuzamos|-| Intel Fortran| ifort| mpiif90|-| Intel C| icc| mpiicc|-| GNU Fortran| gfotran| mpif90|-| GNU C| gcc| mpicc|} A fordítási paramétereket az NCE környezeti változókból érdemes kiolvasni:<pre>NCE_OFLAGS - optimalizációs kapcsolók C és FortranNCE_FFLAGS - Fortran kapcsolókNCE_CFLAGS - C kapcsolókNCE_LDFLAGS - könyvtárak C és Fortran</pre>Az NCE környezeti változó listáját az <code>nce</code> paranccsal kérhetjük le. A budapesti gépen elérhető a PRACE környezet is, amely tartalmaz egy ajánlott kapcsoló és könyvtár összeállítást tartalmaz. A PRACE környezet betöltése:<code>module load prace</code>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 [http://software.intel.com/en-us/articles/intel-mkl-link-line-advisor Intel Link Advisor] szerint kell beállítani, pl.:<pre>FFLAGS=-openmp -I$(MKLROOT)/includeCFLAGS=-openmp -I$(MKLROOT)/includeLDFLAGS=$(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 \ $(MKLROOT)/lib/intel64/libmkl_blacs_openmpi_lp64.a \ -Wl,--end-group -lpthread -lm</pre> === Párhuzamos környezet ======= OpenMP ====Az OpenMP paraméterket környezeti változókon keresztül kell beállítani. Az <code>openmp</code> párhuzamos SLURM környezet az OpenMP szálak számát beállítja. Tovább környezeti változókat az [https://computing.llnl.gov/tutorials/openMP/#EnvironmentVariables LLNL OpenMP oldalán] találtok. ==== MPI ====Az alapértelmezett MPI könyvtár az Open MPI. Ajánlott optimalizációs kapcsolók (CPU binding):<code>--bind-to-core --bycore</code> == SGI ICE Debrecen ==Az alapértelmezett MPI könyvtár az SGI MPT. A felhasználói programokat ehhez a könyvtárhoz érdemes fordítani. Ajánlott fordítás opciók: === MPI fordítási opciók ===<code>
CFLAGS=-O2 -xSSE4.2
FFLAGS=-O2 -xSSE4.2
LDFLAGS=$(MKLROOT)/lib/intel64/libmkl_scalapack_lp64.a \
-Wl,--start-group $(MKLROOT)/lib/intel64/libmkl_intel_lp64.a \
$(MKLROOT)/lib/intel64/libmkl_sequential.a \
$(MKLROOT)/lib/intel64/libmkl_core.a \
$(MKLROOT)/lib/intel64/libmkl_blacs_sgimpt_lp64.a -Wl,--end-group \
-lpthread -lm
</sourcecode> === MPI és OpenMP fordítási opciók ===Ebben az esetben az MKL műveletek OpenMP szálasíthatók, a program hibrid MPI és OMP módban is tud üzemelni.<code> CFLAGS=-O2 -xSSE4.2 -openmp FFLAGS=-O2 -xSSE4.2 -openmp LDFALGS=$(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_sgimpt_lp64.a -Wl,--end-group \ -liomp5 -lpthread -lm -openmp</code> == ARC köztesréteg ==Ez a NorduGrid közösség által fejlesztett Grid köztesréteg. Részletes dokumentációkért [http://www.nordugrid.org/documents 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 ([https://www.ogf.org/documents/GFD.108.pdf OGSA-BES], [https://www.ogf.org/documents/GFD.114.pdf HPC Basic Profile]) rendelkezik. Ezáltal könnyen lehet integrálni más rendszerekkel* Nagyon sok operációs rendszert támogat* A saját számítógépünkről tudjuk kezelni a szuperszámítógépes jobokat* A [http://pulse.fgi.csc.fi/gridrer/htdocs/index.phtml 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 [https://portal.hpc.niif.hu 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: <code> $ chmod +x slcs_unix_install.sh $ ./slcs_unix_install.sh $HOME/.globus/usercert.pem and $HOME/.globus/userkey.pem installed NIIF HPC SLCS Root CA installed: $HOME/.globus/certificates/SLCSCA.pem Default ARC client configuration created: $HOME/.arc/client.conf NIIF Root CA 2 installed: $HOME/.globus/certificates/NIIFCA.pem $ </code> 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 [https://www.igtf.net IGTF] tanúsítványt igényeljünk a KIFÜ-től [http://www.ca.niif.hu/hu/igenyles 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. === ARC kliensek használatba vétele ======= 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 [http://brew.sh brew] segítségével: brew install nordugrid-arc Ha nem találtunk megfelelő csomagot, akkor [http://download.nordugrid.org/packages/nordugrid-arc/releases/5.0.0/src/nordugrid-arc-5.0.0.tar.gz innen] le tudjuk tölteni a forráskódját és le tudjuk fordítani. ==== Konfigurálás ====$HOME/.arc/client.conf:<code> [common] [computing/budapest] url=https://login.budapest.hpc.niif.hu:60000/arex infointerface=org.nordugrid.wsrfglue2 submissioninterface=org.ogf.bes default=yes [computing/szeged] url=https://login.szeged.hpc.niif.hu:60000/arex infointerface=org.nordugrid.wsrfglue2 submissioninterface=org.ogf.bes default=yes [computing/debrecen] url=https://login.debrecen.hpc.niif.hu:60000/arex infointerface=org.nordugrid.wsrfglue2 submissioninterface=org.ogf.bes default=yes [computing/pecs] url=https://login.pecs.hpc.niif.hu:60000/arex infointerface=org.nordugrid.wsrfglue2 submissioninterface=org.ogf.bes default=yes # FastestQueue – ranks targets according to their queue length brokername=FastestQueue # Random – ranks targets randomly #brokername=Random # Data – ranks targets according the amount of megabytes of the requested input files that are already # in the computing resources cache. #brokername=Data # PythonBroker:<module>.<class>[:arguments] – ranks targets using any user-supplied custom # Python broker module, optionally with broker arguments. Such module can reside anywhere in # user’s PYTHONPATH #brokername=PythonBroker [alias] pecs=computing:ARC1:https://login.pecs.hpc.niif.hu:60000/arex szeged=computing:ARC1:https://login.szeged.hpc.niif.hu:60000/arex debrecen=computing:ARC1:https://login.debrecen.hpc.niif.hu:60000/arex budapest=computing:ARC1:https://login.budapest.hpc.niif.hu:60000/arex hp=budapest szeged sgi=pecs debrecen </code> 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 [http://www.nordugrid.org/documents/arc-ui.pdf 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. <code> $ arcproxy Enter pass phrase for private key: Your identity: /C=HU/O=NIIF/OU=SLCS/L=hpcteszt/CN=joe Proxy generation succeeded Your proxy is valid until: 2015-03-30 05:01:09 $ </code> Tesztelési célból ezeket a parancsokat érdemes kipróbálni: <code> $ arcinfo -c szeged $ arcinfo -c hp -l $ arcinfo</code> === Grid job készítése ===A jobok leírására több formátumot is használhatunk: [https://www.ogf.org/documents/GFD.56.pdf JSDL], vagy [http://www.nordugrid.org/documents/xrsl.pdf xRSL]. Így adjuk meg, hogy a jobunknak mire van szüksége. Itt egy példa job: <code> $ cat job.xrsl & (executable="matlab.sh") (arguments="matlab.m") (stdout="stdout.txt") (stderr="stderr.txt") (jobname="Matlab test") (inputFiles= ("matlab.m" "") ) (memory>="1000") (gmlog="gm.log") (wallTime="240") (runTimeEnvironment="APPS/MATH/MATLAB-7.13") </code> <code> $ cat matlab.sh #!/bin/bash echo echo "Compute node: " `/bin/hostname -f` echo matlab -nodisplay < $1</code> <code> $ cat matlab.m 2+3</code>
Job elkészítése:
<code>
$ cat job-openmp.xrsl
&
(executable="omp_mm")
(stdout="stdout.txt")
(stderr="stderr.txt")
(jobname="OpenMP test")
(queue="test")
(executables="omp_mm")
(count="10")
(countpernode="10")
(environment=("OMP_NUM_THREADS" "10"))
(queue="test")
(inputFiles=
("omp_mm" "")
)
(memory>="2600")
(gmlog="gm.log")
(wallTime="20")
Job elküldése:
$ arcsub job-openmp.xrsl
Job submitted with jobid: https://login.debrecen.hpc.niif.hu:60000/arex/cpbNDmLzXwlng5dCemyuQPMmABFKDmABFKDmyVNKDmWBFKDmDQBwOn
Job állapotának a lekérdezése:
$ arcstat https://login.debrecen.hpc.niif.hu:60000/arex/cpbNDmLzXwlng5dCemyuQPMmABFKDmABFKDmyVNKDmWBFKDmDQBwOn
Job: https://login.debrecen.hpc.niif.hu:60000/arex/cpbNDmLzXwlng5dCemyuQPMmABFKDmABFKDmyVNKDmWBFKDmDQBwOn
Name: OpenMP test
State: Finished
Exit Code: 0
Status of 1 jobs was queried, 1 jobs returned information
Job letöltése:
$ arcget https://login.debrecen.hpc.niif.hu:60000/arex/cpbNDmLzXwlng5dCemyuQPMmABFKDmABFKDmyVNKDmWBFKDmDQBwOn
Results stored at: cpbNDmLzXwlng5dCemyuQPMmABFKDmABFKDmyVNKDmWBFKDmDQBwOn
Jobs processed: 1, successfully retrieved: 1, successfully cleaned: 1
zion:~ joe $ cd cpbNDmLzXwlng5dCemyuQPMmABFKDmABFKDmyVNKDmWBFKDmDQBwOn
zion:cpbNDmLzXwlng5dCemyuQPMmABFKDmABFKDmyVNKDmWBFKDmDQBwOn joe $ ls -l
total 16
drwx------ 12 joe staff 408 Mar 29 21:24 gm.log
-rw------- 1 joe staff 0 Mar 29 21:24 stderr.txt
-rw------- 1 joe staff 6362 Mar 29 21:24 stdout.txt
zion:cpbNDmLzXwlng5dCemyuQPMmABFKDmABFKDmyVNKDmWBFKDmDQBwOn joe $
Adatok ellenőrzése:
zion:cpbNDmLzXwlng5dCemyuQPMmABFKDmABFKDmyVNKDmWBFKDmDQBwOn joe $ head stdout.txt
Starting matrix multiple example with 10 threads
Initializing matrices...
Thread 0 starting matrix multiply...
Thread=0 did row=0
Thread 9 starting matrix multiply...
Thread 6 starting matrix multiply...
Thread=0 did row=1
Thread 5 starting matrix multiply...
Thread=5 did row=50
Thread=5 did row=51
zion:cpbNDmLzXwlng5dCemyuQPMmABFKDmABFKDmyVNKDmWBFKDmDQBwOn joe$
</code>
==== MPI példa ====
<code>
$ cat job-mpi.xrsl
&
(executable="mpi.sh")
(stdout="stdout.txt")
(stderr="stderr.txt")
(jobname="MPI test")
(executables="connectivity" "mpi.sh")
(count="10")
(inputFiles=
("connectivity" "")
("mpi.sh" "")
)
(memory>="2600")
(gmlog="gm.log")
(wallTime="20")
(runTimeEnvironment>=ENV/GCC/MPI/OPENMPI-1.4.3)
$ cat mpi.sh
#!/bin/bash
mpirun -np 10 ./connectivity -v
</code>
=== OMP SGE job szkript példa = Grafikus felületű ARC kliens ===<source lang="bash"> #!Parancssoros klienseken kívül használni lehet még grafikus klienseket is. [http:/bin/bash ### SGE #$ -N OMPTEST # 12 órás walltime limit #$ -l h_rt=12:00:00 # 192 szál lefoglalása az # openmp párhuzamos környezetben #$ -pe openmp 192 # az uvsourceforge.q sor használatával #$ -q uv.q # a standard kimenet ide íródik #$ -o StdOut # a hibakimenet ide íródik #$ -e StdErr # a jelenlegi shell környezet exportálódik #$ -V ### NUMA # az StdOut-ba írja a numa node információt numactl net/projects/arc-gui-show ### OMP # OMP beállítások export OMP_NUM_THREADS=192 omplace <APP><clients/?source>Az `omplace` egy SGI előtétprogram, ami az MPI szálak ideális CPU elosztását végzi, megadása javasolt, mert általában javítja a teljesítményt=directory Innen tudják] letölteni őket.
[[Category: HPC]]
