Slurm

Leerlo en el Capítulo 2 · checkpoint +50 XP →

El planificador por lotes que corre en la mayoría de los clústeres de HPC y en muchos de IA: particiones, trabajos, asignaciones y estados de nodo.

Slurm convierte un montón de servidores en una máquina compartida. Conceptos clave:

• Particiones: grupos de nodos con nombre y límites (sinfo las lista).
• Trabajos: se envían con sbatch script.sh. Las líneas #SBATCH del script piden recursos: --nodes, --gpus-per-node, --time, --partition.
• Asignación: el planificador elige nodos (backfill, prioridad, Planificación fair-share) y ejecuta el script en el primero. srun lanza tareas en el resto.
• Estados de nodo: idle, alloc, drain (termina lo que corre, no acepta trabajo nuevo) y down.

Comandos diarios del operador

squeue --me                       # qué corre / qué espera y por qué
sacct                             # historial con códigos de salida
scontrol show job <id>            # todo sobre un trabajo
scontrol update NodeName=node-3 State=DRAIN Reason="gpu5 fan"
sinfo -R                          # por qué hay nodos en drain
scontrol requeue <id>             # reiniciar un trabajo (desde su checkpoint)

Hacer drain con un motivo claro es la forma educada de decir "este hardware es sospechoso" sin matar el trabajo de nadie.

Úsalo en una misión

Relacionado

Fuentes y lecturas adicionales

• Slurm documentation

Escrito para LazyLab con nuestras propias palabras; las fuentes se citan para profundizar y verificar.