Per poter accedere alle risorse occorre essere inseriti nel database LDAP del servizio HPC. Le richieste di accesso o in generale di assistenza vanno inviate a es_calcolo@unipr.it.

Una volta abilitati l'accesso avviene via SSH sull'host di login

ssh <nome.cognome>@login.hpc.unipr.it 

L'accesso con password è consentito solo all'interno della rete di Ateneo (160.78.0.0/16) e della rete del Gruppo Collegato INFN di Parma (192.135.11.0/24). Al di fuori di questo contesto è necessario utilizzare la VPN di Ateneo oppure l'accesso con chiave pubblica.

Per utilizzare il cluster è necessario eliminare la necessità di utilizzare la password tra i nodi, utilizzando l'autenticazione a chiave pubblica. Occorre generare su login.hpc.unipr.it la coppia di chiavi, senza passphrase, e aggiungere la chiave pubblica nel file di autorizzazione (authorized_keys):

Generazione delle chiavi. Accettare i default premendo invio.

ssh-keygen -t rsa

Copia della chiave pubblica in authorized_keys:

cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys

Occorre generare la coppia di chiavi con il client SSH. La chiave privata dovrebbe essere protetta da una passphrase adeguata (non è obbligatorio ma è consigliato). La chiave pubblica deve essere inserita tra le vostre chiavi autorizzate (.ssh/authorized_keys) sull'host di login.

Se utilizzate il client SSH per Windows PuTTY (http://www.putty.org) è necessario generare la coppia di chiavi pubblica e privata con PuTTYgen e salvarle su un file. La chiave privata deve essere inserita nella configurazione di Putty (o WinSCP):

Configuration -> Connection -> SSH -> Auth -> Private key file for authentication

La chiave pubblica deve essere inserita nel file .ssh/authorized_keys di login.hpc.unipr.it

Link utili per la configurazione dei cliest SSH: Linux, MacOS X, PuTTY , Windows SSH Secure Shell

La chiave pubblica del client (esempio client_id_rsa.pub) deve essere inserita nel file ~/.ssh/authorized_keys della macchina di login:

Copia della chiave pubblica in authorized_keys:

cat client_id_rsa.pub >> ~/.ssh/authorized_keys

SSH è l'unico protocollo per la comunicazione con l'esterno e può essere utilizzato anche per il trasferimento dei file. In ambiente unix-like (Linux, MacOS X) si possono usare i comandi scp o sftp.

In ambiente Windows il programma più utilizzato è WinSCP (https://winscp.net/eng/docs/lang:it). In fase di installazione di WinSCP è possibile importare i profili di Putty.

SSH può essere utilizzato anche per il mount di un file-system remoto utilizzando SshFS (vedi http://www.fis.unipr.it/dokuwiki/doku.php?id=calcoloscientifico:guidautente#sshfs)

L'attuale cluster è composto dai nuovi nodi di calcolo e dai nodi del preesistente cluster di Fisica / INFN.

Nuovi nodi di calcolo

• Cluster1 ( BDW)
  • 8 nodi con 2 Intel Xeon E5-2683v4 (2x16 cores, 2.1GHz, 40MB smartcache), 128 GB RAM (E4)
  • 9 nodi con 2 Intel Xeon E5-2680v4 (2x14 cores, 2.4GHz, 35MB smartcache), 128 GB RAM (DELL R730)
  • 1 nodo con 2 Intel Xeon E5-2683v4 (2x16 cores, 2.1GHz, 40MB smartcache), 1024 GB RAM (E4 - FAT MEM)
  • 1 nodo con 4 Intel Xeon E7-8880v4 (4x22 cores, 2.2GHz, 55MB smartcache), 512 GB RAM (HP - FAT CORES)

• Cluster2 ( GPU)
  • 2 nodi con 2 Intel Xeon E5-2683v4 (2x16 cores, 2.1GHz), 128 GB RAM, 7 GPU NVIDIA P100-PCIE-12GB (Pascal architecture).
• Cluster3 ( KNL)
  • 4 nodi con 1 Intel Xeon PHI 7250 (1x68 cores, 1.4GHz, 16GB MCDRAM), 192 GB RAM.

Dettaglio dei nodi:

Elenco - Utilizzo (intranet)

Prestazioni di picco (doppia precisione):

1 Nodo BDW -> 2x16 (cores) x 2.1 (GHz) x 16 (AVX2) = 1 TFlops, Max memory Bandwidth = 76.8 GB/s
1 GPU P100 -> 4.7 TFlops
1 nodo KNL -> 68 (cores) x 1.4 (GHz) x 32 (AVX512) = 3 TFlops, Max memory bandwidth = 115.2 GB/s 

Interconnessione con Intel OmniPath

Prestazioni di picco:

Bandwidth: 100 Gb/s, Latency: 100 ns.

Benchmarks: IMB, NBODY, HPL

Il sistema operativo per tutte le tipologie di nodi è CentOS 7.X.

Ambiente Software (librerie, compilatori e tools): Elenco

Alcuni componenti software devono essere caricati per poter essere utilizzati.

Per elencare i moduli disponibili:

module avail

Per caricare / scaricare un modulo (esempio intel):

module load   intel 
module unload intel

Per elencare i moduli caricati:

module list

Il nodo di login e i nodi di calcolo condividono le seguenti aree di storage:

Area privata

Le code sono gestite con Slurm - WM . I job vengono sottomessi sulla coda di routing e smistati automaticamente su una coda di esecuzione in base alle risorse richieste.

La sottomissione avviene sulla coda di routing "route". Il job verra' automaticamente riaccodato su una coda di esecuzione in base ai requisiti specificati nello script di sottomissione.

Area privata PBSpro - Slurm

Visualizza in forma sintetica lo stato delle code:

sinfo

Visualizza in dettaglio lo stato delle singole code:

scontrol show partition

Elenco dei nodi e loro stato:

sinfo -all

Per la sottomissione di un job:

srun <opzioni>                # modalità interattiva
sbatch <opzioni> script.sh    # modalità batch

Visualizza i job in coda:

squeue

Visualizzare il credito ore residuo per account oppure utente:

module load perl                                       # carica il modulo per il linguaggio perl
sbalance --account <nome account> --user <nome utente> # visualizza il credito disponibile e residuo

-p <nomeNodo/partizione> dove p indica la selezione del tipo di nodo/partizione (bdw | knl | gpu | fat | std)

È l'opzione più importante poiché permette di indicare le risorse richieste:

• -Nx: dove x sta per il numero di chunk (gruppi di core sullo stesso nodo)
• -ny: dove y sta per il numero di core per nodo (default 1)
• –gres=gpu:tesla:X: dove X sta per il numero di GPU per nodo (risorse consumabili)
• –mem=<size{units}>: memoria richiesta per nodo
• –ntasks=Y: dove Y sta per il numero di processi MPI per nodo
• –cpus-per-task=Z: dove Z sta per il numero di thread OpenMP per processo
• –exclusive: alloca gli host in modo esclusivo (non condivisi con altri job)
• -q, –qos=<qos>: scelta del QoS

Il cluster di default è std (standard) che sul cluster nuovo può essere bdw o fat.

Esempi di selezione delle risorse:

-p nomecluster_partizione -Nx -ny 

dove x = chunk e y = core

Esempio:

-p bdw -N1 -n2

–time <day-hour:minute:second> Tempo massimo di esecuzione del job. Questo dato seleziona la coda da utilizzare. Default: 0-00:72:00

Esempio per il valore 30 minuti:

--time 0-00:30:00

-A <account name>

consente di specificare l'account (OBBLIGATORIO!) a cui addebitare l'utilizzo delle risorse. Esempi

-A nome.cognome 
-A G_HPC17A

–account=<nomeaccount>

consente di eseguire il job utilizzando il gruppo secondario specificato.

-oe

redirige lo standard error sullo standard output.

–mail-user=<indirizzo mail>

L'opzione –mail-user permette di indicare uno o più indirizzi e-mail, separati da virgola, che riceveranno le notifiche del gestore di code.

–mail-type=<FAIL, BEGIN, END, NONE, ALL>

L'opzione –mail-type permette di indicare gli eventi che generano l'invio della notifica:

• FAIL: notifica in caso di interruzione del job
• BEGIN: notifica all'avvio del job
• END: notifica alla fine del job
• NONE: nessuna notifica
• ALL: tutte le possibile notifiche

Esempio:

--mail-user=mario.rossi@unipr.it
--mail-type=BEGIN,END

Per verificare l'elenco delle risorse assegnate si può utilizzare la sottomissione interattiva con opzione -I. Una volta entrati in modo interattivo il comando cat $SLURM_JOB_NODELIST visualizza l'elenco delle risorse assegnate. Il comando squeue -al lista maggiori dettagli riguardo le risorse assegnate.

srun -N <numero di nodi> -n <numero cpu> -q <QOS> -C <tipo di nodo> -t <wall time> -L <file system>
cat $SLURM_JOB_NODELIST
scontrol show job <jobID>
exit

Esempi:

# 1 gruppo (chunk) di 2 CPU tipo BDW e file system Scratch
srun -N1 -n2 -p bdw -L SCRATCH
 
# 2 chunk da 2 CPU di tipo KNL e file system Scratch (possono stare sullo stesso nodo)
srun -N2 -n2 -p knl -L SCRATCH
 
# I chunk devono stare su nodi diversi
srun -N2 -n2 -p knl --scatter
 
# 1 chunk con 2 GPU sul cluster GPU
srun -N1 -p gpu --gres=gpu:2 -L SCRATCH
 
# 2 chunk ciascuno con 2 GPU su nodi diversi
srun -N2 --gres=gpu:2 -p gpu --scatter
 
# --ntask=Y dice a MPI quanti processi devono essere attivati per ogni chunk
srun -N2 -n1 –ntasks=1: -p bdw

Occorre creare uno shell script che include le opzioni SLURM e i comandi che devono essere eseguiti sui nodi.

per sottomettere il job e relativo addebito di risorse:

sbatch -A <nome account> scriptname.sh

Ad ogni job viene assegnato un identificativo numerico univoco <Job Id>.

Al termine dell'esecuzione verranno creati i due file contenenti stdout e stderr nella directory da cui è stato sottomesso il job.

Per default i due file prendono il nome dello script con una estensione aggiuntiva:

Stdout: <script.sh>.o<job id> 
Stderr: <script.sh>.e<job id>

Compilazione dell'esempio mm.c per il calcolo del prodotto di due matrici:

cp /hpc/share/samples/serial/mm.* .
g++ mm.cpp -o mm

Script mm.bash per la sottomissione dell'eseguibile seriale mm:

#!/bin/bash
 
# Richiedi un chunk con 1 CPU
#SBATCH -p bdw -N1 -n32
 
# Dichiara che il job durerà al massimo 30 minuti (giorni-ore:minuti:secondi)
#SBATCH --time 0-00:30:00
 
#stampa il nome del nodo assegnato
cat $SLURM_JOB_NODELIST
 
# Entra nella directory che contiene lo script
cd "$SLURM_SUBMIT_DIR"
 
#esegui il programma
./mm

Sottomissione:

sbatch -A <nome account> mm.bash

Visualizza <job id> e lo stato:

squeue

Per cancellare eventualmente il job in esecuzione:

scancel <Job id>

Compilazione dell'esempio cpi_mc.c per il calcolo di Pi Greco:

cp /hpc/share/samples/serial/cpi/cpi_mc.c .
module load intel
icc cpi_mc.c -o cpi_mc_int

Script cpi_mc.bash per la sottomissione dell'eseguibile seriale cpi_mc_int:

#!/bin/bash
 
#stampa il nome del nodo assegnato
cat $SLURM_JOB_NODELIST
 
#carica il modulo del compilatore Intel
module load intel
 
# Entra nella directory che contiene lo script
cd "$SLURM_SUBMIT_DIR"
 
#esegui il programma
 
N=10000000
./cpi_mc_int  -n $N

Sottomissione:

sbatch -A <nome account> cpi_mc.bash

Compilazione dell'esempio cpi_sqrt.c per il calcolo di Pi Greco:

cp /hpc/share/samples/serial/cpi/cpi_sqrt.c .
module load pgi
pgcc cpi_sqrt.c -o cpi_sqrt_pgi

Script cpi_sqrt_pgi.bash per la sottomissione dell'eseguibile seriale cpi_sqrt_pgi:

#!/bin/bash
 
# Opzioni SLURM di default. Si possono omettere
#SBATCH -p bdw -N1 -n32
#SBATCH --time 0-00:30:00
 
# Stampa il nome del nodo assegnato
cat $SLURM_JOB_NODELIST
 
module load pgi
# Entra nella directory che contiene lo script
cd "$SLURM_SUBMIT_DIR"
 
N=10000000
 
./cpi_sqrt_pgi -n $N

sbatch -A <nome account> cpi_sqrt_pgi.bash

cp /hpc/share/samples/omp/omp_hello.c .
gcc -fopenmp omp_hello.c -o omp_hello

Script omp_hello.bash con la richiesta di 32 CPU in uso esclusivo.

#!/bin/bash
 
#SBATCH -p bdw -N1 -n32
#SBATCH --exclusive
#SBATCH --time 0-00:30:00
 
#Unisci strerr con stdout
#SBATCH -oe
 
cat $SLURM_JOB_NODELIST
 
echo  #OMP_NUM_THREADS : $OMP_NUM_THREADS
 
cd "$SLURM_SUBMIT_DIR"
./omp_hello

module load intel 
cp /hpc/share/samples/omp/mm/omp_mm.cpp .

Script mm_omp.bash con la richiesta di 1 nodo intero con almeno 32 core:

#!/bin/bash
 
#SBATCH -p bdw -N1 -n32
#SBATCH --time 0-00:30:00
#SBATCH -oe
 
#SBATCH --account=<account>
 
cat $SLURM_JOB_NODELIST
cd "$SLURM_SUBMIT_DIR"
 
module load intel
icpc -qopenmp omp_mm.cpp -o omp_mm
 
# Per variare il numero di threads:
export OMP_NUM_THREADS=8
 
echo  OMP_NUM_THREADS : $OMP_NUM_THREADS
 
./omp_mm

cp /hpc/share/samples/omp/mm/omp_mm.cpp .

Script omp_mm_pgi.bash. Il cluster BDW è composto da nodi con 32 cores. La variabile OMP_NUM_THREADS è per default pari al numero di core. Se vogliamo un numero di thread diverso lo possiamo indicare nella riga –cpus-per-task

#!/bin/sh
 
#SBATCH -p bdw -N1 -n32
#SBATCH --cpus-per-task=4
#SBATCH --time 0-00:30:00
#SBATCH -oe
 
cat $SLURM_JOB_NODELIST
cd "$SLURM_SUBMIT_DIR"
 
module load pgi
 
pgc++ -mp omp_mm.cpp -o omp_mm_pgi
 
echo  OMP_NUM_THREADS : $OMP_NUM_THREADS
 
./omp_mm_pgi

sbatch -A <nome account> omp_mm_pgi.bash

cp /hpc/share/samples/omp/cpi/* .

sbatch -A <nome account> cpi2_omp.bash

python cpi2_omp.py

module load gnu openmpi
cp /hpc/share/samples/mpi/mpi_hello.c .
mpicc mpi_hello.c -o mpi_hello

Script mpi_hello.sh per l'utilizzo della versione GNU OpenMPI:

#!/bin/bash
 
# 4 chunk da 16 CPU ciascuno. Esegui un processo MPI per ogni CPU
#SBATCH -p bdw -N4 -n16
#SBATCH -n 16
#SBATCH --time 0-00:30:00
#SBATCH -oe
 
echo "### SLURM_JOB_NODELIST ###"
cat $SLURM_JOB_NODELIST
echo "####################"
 
module load gnu openmpi
 
cd "$SLURM_SUBMIT_DIR"
mpirun  mpi_hello

sbatch -A <nome account> mpi_hello.bash

module load intel intelmpi
which mpicc
 
cp /hpc/share/samples/mpi/mpi_mm.c .
mpicc mpi_mm.c -o mpi_mm_int

Script mpi_mm_int.sh per l'utilizzo di Intel MPI:

#!/bin/sh
 
# 4 chunk da 16 CPU ciascuno. Esegui un processo MPI per ogni CPU
#SBATCH -p bdw -N4 -n16
#SBATCH -n 16
#SBATCH --time 0-00:30:00
#SBATCH -oe
 
echo "### SLURM_JOB_NODELIST ###"
cat $SLURM_JOB_NODELIST
echo "####################"
 
module load intel intelmpi
 
cd "$SLURM_SUBMIT_DIR"
mpirun  mpi_mm_int

module load pgi openmpi
which mpicc 

cp /hpc/share/samples/mpi/mpi_hello.c .
mpicc mpi_hello.c -o mpi_hello_pgi

Script mpi_hello_pgi.sh per l'utilizzo di openmpi di PGI:

 
#!/bin/sh
 
#SBATCH -p bdw -N4 -n16
#SBATCH --time 0-00:30:00
#SBATCH -oe
 
echo "### SLURM_JOB_NODELIST ###"
cat $SLURM_JOB_NODELIST
echo "####################"
 
NPUSER=$(cat $SLURM_JOB_NODELIST | wc -l)
 
module load cuda pgi openmpi
 
cd "$SLURM_SUBMIT_DIR"
mpirun -hostfile $SLURM_JOB_NODELIST --npernode 1  mpi_hello_pgi

module load gnu openmpi
cp -p /hpc/share/samples/mpi+omp/mpiomp_hello.c .
mpicc -fopenmp mpiomp_hello.c -o mpiomp_hello_gnu

Script mpiomp_hello_gnu per l'utilizzo di OpenMPI di PGI:

#!/bin/sh
 
# 4 chunk da 16 CPU ciascuno, 1 processo MPI per ogni chunk, 16 thread OpenMP per processo
#SBATCH -p bdw -N4 -n16
#SBATCH -n 4
#SBATCH --cpus-per-task=16      # Numero di threads OpenMP per ogni processo MPI
#SBATCH --time 0-00:30:00
#SBATCH -oe
 
echo "### SLURM_JOB_NODELIST ###"
cat $SLURM_JOB_NODELIST
echo "####################"
 
module load gnu openmpi
 
cd "$SLURM_SUBMIT_DIR"
mpirun mpiomp_hello_gnu

module load intel intelmpi
cp /hpc/share/samples/mpi+omp/mpiomp-hello.c .
mpicc -qopenmp mpiomp_hello.c -o mpiomp_hello_int

#!/bin/sh
 
# 4 chunk da 16 CPU ciascuno, 1 processo MPI per ogni chunk, 16 thread OpenMP per processo
#SBATCH -p bdw -N4 -n16
#SBATCH -n 1
#SBATCH --cpus-per-task=16      # Numero di threads OpenMP per ogni processo MPI
#SBATCH --time 0-00:30:00
#SBATCH -oe
 
echo "### SLURM_JOB_NODELIST ###"
cat $SLURM_JOB_NODELIST
echo "####################"
 
module load intel intelmpi
 
cd "$SLURM_SUBMIT_DIR"
mpirun mpiomp_hello_int

Il compilatore da utilizzare è intel.

La selezione del cluster KNL avviene specificando -p knl come risorsa richiesta.

Il massimo numero di core (ncpus) selezionabili per nodo è 68. Ogni core fisico include 4 core virtuali con tecnologia hyperthreading, per un totale di 272 per nodo.

#!/bin/sh
 
# 4 nodi interi. Esegui un processo MPI per ogni nodo e 128 thread per processo
 
#SBATCH -p knl -N4 -n1
#SBATCH -n 4
#SBATCH --cpus-per-task=128      # Numero di threads OpenMP per ogni processo MPI
#SBATCH --time 0-00:30:00
#SBATCH -oe
 
#SBATCH -t 0-00:30:00
#SBATCH -oe
 
echo "### SLURM_JOB_NODELIST ###"
cat $SLURM_JOB_NODELIST
echo "####################"
 
module load intel intelmpi
 
cd "$SLURM_SUBMIT_DIR"
 
cp /hpc/share/samples/mpi+omp/mpiomp_hello.c .
mpicc -qopenmp mpiomp_hello.c -o mpiomp_hello_knl
mpirun  mpiomp_hello_knl

Il cluster GPU è costituito da 2 macchine con 7 GPU ciascuna. Le GPU di una singola macchina sono identificate da un ID numerico intero che va da 0 a 6.

Il compilatore da utilizzare è nvcc:

NVIDIA CUDA Compiler

Esempio di compilazione:

cp /hpc/share/samples/cuda/hello_cuda.cu .
module load cuda
nvcc hello_cuda.cu -o hello_cuda

La selezione del cluster GPU avviene specificando -p gpu e –gres=gpu:<1-5> tra le risorse richieste.

Esempio di sottomissione su 1 delle 5 GPU disponibili in un singolo nodo del cluster GPU:

#!/bin/sh
 
# 1 nodo con 1 GPU
 
#SBATCH -p gpu -N1
#SBATCH --gres=gpu:tesla:1
#SBATCH --time 0-00:30:00
#SBATCH -oe
 
 
echo "### SLURM_JOB_NODEFILE ###"
cat $SLURM_JOB_NODEFILE
echo "####################"
 
module load cuda
 
cd "$SLURM_SUBMIT_DIR"
./hello_cuda

Esempio di sottomissione del benchmark N-BODY su tutte e 5 le GPU disponibili in un singolo nodo del cluster GPU:

#!/bin/sh
 
# 1 nodo con 5 GPU
 
#SBATCH -p gpu -N1
#SBATCH --gres=gpu:tesla:5
#SBATCH --time 0-00:30:00
#SBATCH -oe
 
echo "### SLURM_JOB_NODEFILE ###"
cat $SLURM_JOB_NODEFILE
echo "####################"
 
module load cuda
 
cd "$SLURM_SUBMIT_DIR"
/hpc/share/tools/cuda-9.0.176/samples/5_Simulations/nbody/nbody -benchmark -numbodies 1024000 -numdevices=5

Nel caso di N-BODY il numero di GPU da utilizzare viene specificato utilizzando l'opzione -numdevices (il valore specificato non deve superare quello del numero di GPU richieste con l'opzione ngpus).

In generale gli ID delle GPU da utilizzare vengono ricavati dal valore della variabile d'ambiente CUDA_VISIBLE_DEVICES.

Nel caso dell'ultimo esempio si ha

CUDA_VISIBLE_DEVICES=0,1,2,3,4

Per condividere i file tra i membri di un gruppo è necessario distinguere il tipo di attivita':

Nella modalità interattiva sul nodo di login il comando newgrp modifica il gruppo primario e i permessi dei nuovi file:

newgrp <nomegruppo>

Il comando newgrp sul cluster HPC esegue automaticamente anche il comando per entrare nella directory di gruppo ( /hpc/group/<nomegruppo> ) :

cd "$GROUP" 

Nella modalità Batch occorre indicare il gruppo da utilizzare con la seguente direttiva:

#SBATCH --account=<account>

Per lanciare in sequenza una batteria di run in serie nello stesso job, ad esempio per verificare lo scaling di un algoritmo:

cp /hpc/share/samples/serial/cpi/cpi_mc.c .
gcc cpi_mc.c o cpi_mc

Script launch_single.sh

#!/bin/bash

cd "$SLURM_SUBMIT_DIR"

for N in $(seq 1000000 1000000 10000000)
do
CMD="./cpi_mc -n $N"
echo "# $CMD"
eval $CMD  >> cpi_mc_scaling.dat
done

sbatch -A <nome account> launch_single.sh

Gli output dei diversi run vengono scritti nel file cpi_mc_scaling.dat.

Per generare un plot dello scaling possiamo utilizzare la libreria matplotlib di python:

cp /hpc/share/samples/serial/cpi/cpi_mc_scaling.py .

python cpi_mc_scaling.py

Utilizzando un'unico script SLURM è possibile sottomettere una batteria di Job, che possono essere eseguiti in parallelo, specificando un parametro numerico diverso per ogni job sottomesso.

L'opzione -J consente di specificare la sequenza numerica dei parametri. Ad ogni lancio il valore del parametro è contenuto nella variabile $SLURM_ARRAY_TASK_ID

Esempio:

Lancia N job per il calcolo di Pi greco con un numero di intervalli crescente da 100000 a 900000 con incremento di 10000:

cp /hpc/share/samples/serial/cpi/cpi_mc .
gcc cpi_mc.c o cpi_mc

Script slurm_launch_parallel.sh

#!/bin/sh
 
#SBATCH -J 100000-900000:10000
cd "SLURM_SUBMIT_DIR"
CMD="./cpi_mc -n ${SLURM_ARRAY_TASK_ID}"
echo "# $CMD"
eval $CMD

sbatch -A <nome account> slurm_launch_parallel.sh

Riunisci gli output:

grep -vh '^#' slurm_launch_parallel.sh.o*.*

Parallel Computing with MATLAB

cp /hpc/share/samples/matlab/pi_greco.m .

Script matlab.sh

#!/bin/sh
 
 
#SBATCH -p bdw -N1 -n1
#SBATCH --time 0-00:30:00
 
cd "$SLURM_SUBMIT_DIR"
 
module load matlab
 
matlab -nodisplay -r pi_greco

sbatch -A <nome account> matlab.sh

cp /hpc/share/samples/matlab/pi_greco_parallel.m .

Script matlab_parallel.sh. La versione di Matlab installata sul cluster consente l'utilizzo massimo di cores dello stesso nodo. qua bisogna specificare quanti core utilizzabili…ho messo 4 per il momento

#!/bin/sh
 
 
#SBATCH -p bdw -N1 -n4
#SBATCH --time 0-00:30:00
 
cd "$SLURM_SUBMIT_DIR"
 
module load matlab
 
matlab -nodisplay -r pi_greco_parallel

sbatch -A <nome account> matlab_parallel.sh

cp /hpc/share/samples/matlab/matlabGPU.m . # ---- da fare ---- 

Script matlabGPU.sh

#!/bin/bash
 
#SBATCH -p bdw -N1 -n1
#SBATCH --gres=gpu:tesla:1
#SBATCH --time 0-00:30:00
 
cd "$SLURM_SUBMIT_DIR"
 
module load matlab cuda
 
matlab -nodisplay -r matlabGPU.m

 sbatch -A <nome account> matlabGPU.sh

Script crystal14.sh per la sottomissione della versione MPI di Crystal14. Richiede 4 nodi da 8 core ed avvia 8 processi MPI per nodo:

#!/bin/sh
 
#SBATCH --job-name="crystal14" #Nome del job
#SBATCH -p bdw -N4 -n8 #Richiesta risorse
#SBATCH -n8
#SBATCH --time 0-168:00:00
 
# input files directory
CRY14_INP_DIR='input'
 
# output files directory
CRY14_OUT_DIR='output'
 
# input files prefix
CRY14_INP_PREFIX='test'
 
# input wave function file prefix
CRY14_F9_PREFIX='test'
 
source /hpc/share/applications/crystal14

Si consiglia di creare una cartella per ogni simulazione. In ogni cartella deve essere presente una copia dello script crystal14.sh.

Spostarsi nella cartella che contiene crystal14.sh e lanciare il comando seguente per sottomettere lo script al job scheduler:

sbatch ./crystal14.sh

Durante l'esecuzione del job viene creata una cartella temporanea tmp che contiene i due file:

nodes.par
machines.LINUX

Il file nodes.par contiene i nomi dei nodi che partecipano al calcolo parallelo.

Il file machines.LINUX contiene i nomi dei nodi che partecipano al calcolo parallelo con una molteplicità pari al numero di processi MPI avviati sul nodo.

Per individuare le cartelle temporanee prodotte da Crystal14 durante l'esecuzione del job, lanciare il comando seguente direttamente dal nodo di login:

eval ls -d1 /hpc/node/wn{$(seq -s, 81 95)}/$USER/crystal/* 2>/dev/null

Per verificare il contenuto dei file prodotti da Crystal14 durante l'esecuzione del job, l'utente può spostarsi in una delle cartelle evidenziate dal precedente comando.

Al termine dell'esecuzione del job, i due file machines.LINUX e nodes.par vengono cancellati. La cartella temporanea tmp viene cancellata solo se è vuota.

Non è dunque necessario accedere con SSH ai nodi che partecipano all'elaborazione per verificare il contenuto dei file prodotti da Crystal14.

Per definire la variabile d'ambiente GMXLIB aggiungere le righe seguenti al file $HOME/.bash_profile:

GMXLIB=$HOME/gromacs/top
 
export GMXLIB

Script mdrun_omp.sh per richiedere in esclusiva un nodo con 32 core ed avviare 16 thread OpenMP:

#!/bin/sh
 
#SBATCH -p bdw -N1 -n32
#SBATCH --cpus-per-task=16      # Numero di threads OpenMP
#SBATCH --exclusive
#SBATCH --time 0-24:00:00
 
test "$SLURM_ENVIRONMENT" = 'SLURM_BATCH' || exit
 
cd "$SLURM_SUBMIT_DIR"
 
module load gnu openmpi
source '/hpc/share/applications/gromacs/5.1.4/mpi_bdw/bin/GMXRC'
 
gmx mdrun -s topology.tpr -pin on

Script mdrun_mpi_omp.sh per richiedere in esclusiva un nodo con 32 core ed avviare 8 processi MPI (il numero di thread OpenMP verrà calcolato automanticamente):

#!/bin/sh
 
#SBATCH -p bdw -N2 -n32
#SBATCH -n 8
#SBATCH --exclusive
#SBATCH --time 0-24:00:00
 
test "$SLURM_ENVIRONMENT" = 'SLURM_BATCH' || exit
 
cd "$SLURM_SUBMIT_DIR"
 
module load gnu openmpi
source '/hpc/share/applications/gromacs/5.1.4/mpi_bdw/bin/GMXRC'
 
NNODES=$(cat $SLURM_JOB_NODELIST | sort -u | wc -l)
NPUSER=$(cat $SLURM_JOB_NODEFILE | wc -l)
OMP_NUM_THREADS=$((OMP_NUM_THREADS/(NPUSER/NNODES)))
 
mpirun gmx mdrun -s topology.tpr -pin on

Esempio di script abaqus.sh per eseguire Abacus su 1 nodo, 32 core, 0 GPU:

#!/bin/bash

# walltime -t / --time : tempo di esecuzione stimato, max 240 ore (meglio una stima per eccesso che effettiva)

#SBATCH -p bdw -N1 -n32
#SBATCH --time 0-240:00:00 
#oppure --time 10-00:00:00

cat $SLURM_JOB_NODELIST

# Moduli necessari per l'esecuzione di Abacus
module load gnu intel openmpi

cd "$SLURM_SUBMIT_DIR"

abaqus j=testverita cpus=32
# j= nomefile.inp

Esempio di script abaqus-gpu.sh per eseguire Abacus su 1 nodo, 6 core, 1 GPU:

#!/bin/bash

# walltime -t : tempo di esecuzione stimato, max 240 ore (meglio una stima di poco superiore a effettiva)

#SBATCH -p gpu -N1 -n6
#SBATCH --gres=gpu:tesla:1
#SBATCH --time 0-00:30:00

cat $SLURM_JOB_NODELIST

# Moduli necessari per l'esecuzione di Abacus
module load gnu intel openmpi cuda

cd "$SLURM_SUBMIT_DIR"

abaqus j=testverita cpus=6 gpus=1
# j= nomefile.inp

Per scambiare dati con una macchina remota su cui è installato un server ssh è possibile utilizzare SSHFS .

SSHFS è un file-system per sistemi operativi Unix-like (MacOsX, Linux, BDS). Questo file system permette di montare in locale una cartella posizionata su un host in cui gira SSH server. Questo software implementa il modulo del Kernel FUSE.

Attualmente è installato solo su login.pr.infn.it. In alternativa può essere installato sulla macchina linux remota per accedere ai propri dati sul cluster.

Per utilizzarlo:

mkdir remote # creiamo il mount-point 
sshfs <remote-user>@<remote-host>:<remote-dir> remote # mount del file-system remoto 
df -h # vedi i file-system montati 
ls remote/ 
fusermount -u remote # smonta il file-system 

VTune e' un perfomance profiler di Intel ed e' disponibile sul cluster HPC.

Informazioni generali di Intel : https://software.intel.com/en-us/get-started-with-vtune-linux-os

Guida locale vtune (work in progress)

• Access to HPC resources in Italy and Europe
• Marconi UserGuide
• Marconi storage
• Migration from PBS to SLURM @ Cineca

LLNL HPC tutorials