如何在 slurm 作业期间监控资源？

我正在我们的大学集群（普通用户，无管理员权限）上运行作业，该集群使用 SLURM 调度系统，我有兴趣绘制随时间推移（即作业运行时）的 CPU 和内存使用情况。我知道关于sacct and sstat我正在考虑将这些命令包含在我的提交脚本中，例如某事在行

#!/bin/bash
#SBATCH <options>

# Running the actual job in background
srun my_program input.in output.out &

# While loop that records resources
JobStatus="$(sacct -j $SLURM_JOB_ID | awk 'FNR == 3 {print $6}')"
FIRST=0
#sleep time in seconds
STIME=15
while [ "$JobStatus" != "COMPLETED" ]; do
    #update job status
    JobStatus="$(sacct -j $SLURM_JOB_ID | awk 'FNR == 3 {print $6}')"
    if [ "$JobStatus" == "RUNNING" ]; then
        if [ $FIRST -eq 0 ]; then
            sstat --format=AveCPU,AveRSS,MaxRSS -P -j ${SLURM_JOB_ID} >> usage.txt
            FIRST=1
        else
            sstat --format=AveCPU,AveRSS,MaxRSS -P --noheader -j ${SLURM_JOB_ID} >> usage.txt
        fi
        sleep $STIME
    elif [ "$JobStatus" == "PENDING" ]; then
        sleep $STIME
    else
        sacct -j ${SLURM_JOB_ID} --format=AllocCPUS,ReqMem,MaxRSS,AveRSS,AveDiskRead,AveDiskWrite,ReqCPUS,AllocCPUs,NTasks,Elapsed,State >> usage.txt
        JobStatus="COMPLETED"
        break
    fi
done

但是，我不太相信这个解决方案：

• sstat不幸的是没有显示有多少个CPU被使用 时刻（仅平均）

• 如果我尝试记录一段时间内的内存使用情况，MaxRSS 也没有帮助

• 似乎仍然存在一些错误（作业完成后脚本不会停止）

有谁知道如何正确地做到这一点？也许甚至与top or htop代替sstat？任何帮助深表感谢。

Slurm 提供了一个插件，用于将作业的配置文件（PCU 使用情况、内存使用情况，甚至某些技术的磁盘/网络 IO）记录到 HDF5 文件中。该文件包含跟踪的每个度量的时间序列，您可以选择时间分辨率。

您可以使用以下命令激活它

#SBATCH --profile=<all|none|[energy[,|task[,|filesystem[,|network]]]]>

查看文档here https://slurm.schedmd.com/hdf5_profile_user_guide.html.

要检查该插件是否已安装，请运行

scontrol show config | grep AcctGatherProfileType

应该输出AcctGatherProfileType = acct_gather_profile/hdf5.

这些文件是在引用的文件夹中创建的ProfileHDF5DirSlurm 配置参数（在slurm.conf)

至于你的脚本，你可以尝试替换sstat通过 SSH 连接到要运行的计算节点ps。假设pdsh or clush安装后，您可以运行如下命令：

pdsh -j $SLURM_JOB_ID ps -u $USER -o pid,state,cputime,%cpu,rssize,command --columns 100 >> usage.txt

这将为您提供每个进程的 CPU 和内存使用情况。

最后一点，你的工作永远不会终止，因为它会在以下情况下终止：while循环终止，并且while当作业终止时循环将终止...条件"$JobStatus" == "COMPLETED" 永远不会从脚本内部观察到。作业完成后，脚本将被终止。