集群调度LSF及bsub相关命令在芯片验证中的应用

1. 前言：

LSF（Load Sharing Facility）是IBM旗下的一款分布式集群管理系统软件，负责计算资源的管理和批处理作业的调度。它给用户提供统一的集群资源访问接口，让用户透明地访问整个集群资源。它通常是高性能计算环境中不可或缺的基础软件。LSF 是一种强大的工作负载管理平台，提供基于各种策略的智能调度功能，利用分布式的基础架构资源来提高整体的系统性能。用户通过 LSF可以实现集群间的负载均衡，扩展集群构架和资源，最大限度地提高集群的使用效率。

所谓集群(Cluster)就是指一组（若干个）相互独立的计算机，利用高速通信网络组成的一个较大的计算机服务系统，每个集群节点（即集群中的每台计算机）都是运行各自服务的独立服务器。这些服务器之间可以彼此通信，协同向用户提供应用程序，系统资源和数据，并以单一系统的模式加以管理。当用户请求集群系统时，集群给用户的感觉就是一个单一独立的服务器，而实际上用户请求的是一组集群服务器。简单来讲，集群就是一堆服务器合作做同一件事，这些机器可能需要统一协调管理，可以分布在一个机房，也可以分布在全国全球各个地区的多个机房。只有当并发或总请求数量超过单台服务器的承受能力时，服务器集群才会体现出优势。

更形象的解释是，集群又叫机群，就是许多的计算机一起co-work，因为机器太多了，又需要协同工作，所以需要按照一定的方式来管理，管理的结构形式叫做拓扑（这个不用管）。机群使用的电脑是刀片（又薄又长的机箱）形式（为了便于插入机柜），一个刀片一般称为一个节点。

通过集中监控和调用，可以充分共享计算机的CPU、内存、磁盘、License等资源，一组安装了LSF软件的计算机组成了一个集群(Cluster)。Cluster内地资源统一监控和调度。提交给LSF作业的命令就是bsub。

芯片验证过程中跑case或者跑regression的时候经常会使用到bsub命令，上面就是bsub命令背后的原理。下面详细地介绍一些常用命令。

2. 常用命令之bsub详解

2.1 bsub命令的格式：

bsub  [options]   command   [argument]

2.2 相关参数：

-q  选择作业提交的队列queue-i  指定输入文件  -I  交互模式，此时终端不能输入-J  指定作业名称-n  指定作业需要的CPU核心数，LSF中一般称之为slot-R  span[hosts=1] 指定作业只能在单个节点运行，不能跨节点（跨节点作业需要MPI支持，生物中比较少），-R 可以使得作业在需要满足某种条件的节点上运行-o  作业标准输出，%J为作业ID，即此处的作业输出文件为 jobid.out-e  作业错误输出，%J为作业ID，即此处的作业输出文件为 jobid.err-M  内存控制参数，作业占用的内存超过其指定值时，作业会被系统杀掉。如 -M 20GB -R "rusage[mem=20GB]" 申请20GB的内存，且其内存使用量不能超过20G；-m  指定作业运行节点；-W  hh:mm 设置作业运行时间；-w  作业依赖，方便写流程，如-w "done(JobA)"，作业名为JobA的作业完成之后，该作业才开始运行；-K  提交作业并等待作业结束，在写流程时会用得上，可以见后面的例子-P  指定project name，如果我们需要统计某个项目消耗的计算资源，如CPU时等，可以将相关的作业都指定为同一个project name，然后根据project name统计资源消耗；-r  rerun选项，即作业失败后自动重新运行，提交大量作业时此选项比较有用；
example:/tools/xxx/xxx/bsub -q normal -P AnIP -K -C 0上面-q 后面跟queue的名字；-P后面跟project名字；

3. 常用命令之bqueues

查询所有queue的状态

QUEUE_NAME：队列名称PRIO：优先级NJOBS：几个作业在并行PEND：阻塞的作业数量RUN：正在运行的作业数量SUSP：挂起的作业数量

4. 常用命令之bhosts

显示各节点作业相关情况

bhosts hostname

5. 常用命令之bjobs

查看提交作业运行情况;

bjobs –r 显示正在运行的作业

bjobs –a 显示正在运行的和最近完成的作业

bjobs -p 显示等待运行的作业和等待原因

bjobs –s 显示正在挂起的作业和挂起的原因

bjobs -l 显示该作业的所有信息

6. bkill

删除不需要的作业

bkill  jobid 终止指定的作业;

bkill  –r  jobid

6.1 批量bkill任务

例：bkill所有PSUSP状态的任务

6.1.1 单个用户:（bkill -u username 0，删除该用户下所有提交的并行任务）

bjobs -u username | grep PSUSP|awk '{print $1}' |xargs bkill

6.1.2 所有用户：bjobs -u all -p -q normal | grep PSUSP|awk '{print $1}' |xargs bkill（-p参数，可有可无，不影响命令执行结果）

PS：常用LSF命令（更详细命令使用可参考LSF的PDF手册）

7. bpeek  -f  作业号  

查看任务日志，显示处于运行时作业的标准输出和标准错误输出信息；

8. bhist

显示最近完成作业或正在运行作业的历史情况

bhist jobid

查看作业历史;

9. lsload

显示节点当前负载；

10. 运行脚本文件

 bsub  <  run_sim.bsub

 本文转自：集群调度LSF及bsub相关命令在芯片验证中的应用 (qq.com)