这个问题关系到PBS没有工作时,输出忙碌 。 即一些我提交作业的没有产生输出时,PBS /扭矩是“忙”。 我想,这是繁忙的时候,许多工作正在提交一个又一个,当它恰巧,以这种方式提交的工作,我经常收到一些不产生任何输出。
我这里还有一些代码。
假设我有一个名为“x_analyse.py”一个Python脚本,作为其输入含有一些数据文件,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)对他们每个人的“x_analyse.py”的工作,并将结果写入为他们每个人的文件。 (3)由于不同的数据文件的分析都是相互独立的,我将使用PBS /转矩来运行它们平行以节省时间。 (我认为这基本上是一个“尴尬的并行问题”。)
我有这个python脚本上面做:
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.)
该脚本准备要分析一组数据,将其保存到一个文件,写一个PBS提交文件进行分析这组数据,提交工作要做,然后与下一组数据再次移动到做同样的, 等等。
正因为如此,当脚本运行,作业ID列表打印到标准输出作为作业提交。 “ls”的显示,有N个.SUB文件和N .pkl数据文件。 “qstat命令”显示,所有作业正在运行,与状态“R”,然后被完成,状态“C”。 然而,后来,“ls”的显示,有N的.out输出文件不是通过“x_analyse.py”产生的N-结果文件少,少。 实际上,没有输出被一些作业的生产。 如果我要清除一切,并重新运行上面的脚本,我会得到相同的行为,具有一定的作业(但不是必需的那些相同的最后一次)不产生任何输出。
有人建议,通过增加提交的连续作业之间的等待时间,情况有所改善。
time.sleep(10.) #or some other waiting time
但我觉得这不是最满意的,因为我已经试过0.1秒,0.5秒,1.0秒,2.0秒,3.0S,其中没有一个真正的帮助。 我已被告知,50多岁的等待时间似乎做工精细,但如果我必须提交100个职位,等待时间约为5000S,这似乎是相当长的。
我曾尝试减少用于提交作业,而不是数组时代“的qsub”的数量。 我会准备好所有的数据文件和以前一样,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
然后用提交
qsub -t 1-100 analyse_all.sub
但即使这样,一些工作还没有产生输出。
这是个常见的问题吗? 我做不对的事? 正在作业提交之间等待的最佳解决方案? 我能做些什么来改善呢?
在此先感谢您的帮助。
编辑1:
我使用的是扭力版本2.4.7和毛伊岛的3.3版本。
此外,与作业ID 1184430.mgt1假设工作不产生输出和工作与作业ID预期1184431.mgt1产生输出,当我使用“tracejob”对这些我得到如下:
[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,“qstat命令-f”工作返回以下内容:
[batman@gotham tmp]$qstat -f 1184673.mgt1
Job Id: 1184673.mgt1
Job_Name = analysis_7
Job_Owner = batman@mgt1
resources_used.cput = 00:00:16
resources_used.mem = 17572kb
resources_used.vmem = 152020kb
resources_used.walltime = 00:01:36
job_state = C
queue = compute
server = mgt1
Checkpoint = u
ctime = Fri Dec 14 14:00:31 2012
Error_Path = mgt1:/gpfs1/batman/tmp/analysis_7.e1184673
exec_host = node26/0
Hold_Types = n
Join_Path = oe
Keep_Files = n
Mail_Points = a
mtime = Fri Dec 14 14:02:07 2012
Output_Path = mgt1.gotham.cis.XXXX.edu:/gpfs1/batman/tmp/analysis_7.out
Priority = 0
qtime = Fri Dec 14 14:00:31 2012
Rerunable = True
Resource_List.nodect = 1
Resource_List.nodes = 1:ppn=1
Resource_List.walltime = 05:00:00
session_id = 9397
Variable_List = PBS_O_HOME=/gpfs1/batman,PBS_O_LANG=en_US.UTF-8, PBS_O_LOGNAME=batman,
PBS_O_PATH=/gpfs1/batman/bin:/usr/mpi/gcc/openmpi-1.4/bin:/gpfs1/batman/workhere/instal
ls/mygnuplot-4.4.4/bin/:/gpfs2/condor-7.4.4/bin:/gpfs2/condor-7.4.4/sb
in:/usr/lib64/openmpi/1.4-gcc/bin:/usr/kerberos/bin:/usr/local/bin:/bi
n:/usr/bin:/opt/moab/bin:/opt/moab/sbin:/opt/xcat/bin:/opt/xcat/sbin,
PBS_O_MAIL=/var/spool/mail/batman,PBS_O_SHELL=/bin/bash,
PBS_SERVER=mgt1,PBS_O_WORKDIR=/gpfs1/batman/tmp,
PBS_O_QUEUE=compute,PBS_O_HOST=mgt1
sched_hint = Post job file processing error; job 1184673.mgt1 on host node
26/0Unknown resource type REJHOST=node26 MSG=invalid home directory '
/gpfs1/batman' specified, errno=116 (Stale NFS file handle)
etime = Fri Dec 14 14:00:31 2012
exit_status = 135
submit_args = analysis_7.sub
start_time = Fri Dec 14 14:00:31 2012
Walltime.Remaining = 1790
start_count = 1
fault_tolerant = False
comp_time = Fri Dec 14 14:02:07 2012
与产生输出工作比较:
[batman@gotham tmp]$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
看来,对于一个退出状态是0而不是其他。
编辑3:
从“qstat命令-f”输出像以上这样的,看来这个问题有事情做与“陈旧NFS文件handle'in后作业文件处理。 提交成百上千的测试工作,我已经能够确定一些能产生失败的作业节点。 通过ssh
荷兰国际集团到这些,我可以找到丢失的PBS输出文件/var/spool/torque/spool
,在这里我也可以看到属于其他用户的输出文件。 关于这些问题的节点的一个奇怪的是,如果他们选择要使用的唯一节点,作业运行在他们的罚款。 这个问题只有当它们与其它节点的混合就产生了。
因为我不知道如何解决后作业处理“陈旧NFS文件句柄”,我避免这些节点通过提交“虚拟”的工作给他们
echo sleep 60 | qsub -lnodes=badnode1:ppn=2+badnode2:ppn=2
之前提交真正的就业机会。 现在,所有的工作产生预期的输出,而且也没有必要连续提交之前要等待。