使用EHPC实现“完美并行”的高效批处理方案

在高性能计算场景中，用户一次业务计算可以划分为大量的任务，每个任务的处理逻辑相同，但是输入文件、参数设置和输出文件不同。由于每个任务处理逻辑相似，执行时彼此没有依赖，按照高性能计算的并行计算模式，可归为 “embarrassing parallel”一类(又被称为完美并行问题），这类问题很少或根本不需要将问题分成许多并行任务的工作，通这些并行任务之间很少或没有依赖或需要通信，这类问题有一个另外的名称，叫做“批处理”，是高性能计算领域最“完美”的一种场景。在此，给出了基于阿里云弹性高性能计算场景的数组作业解决方案——利用E-HPC集成的作业调度系统，将用户的批处理任务自动分配到数组作业，实现在云超算集群上高并发执行。同时，依靠“云”弹性，动态扩展集群的计算资源，控制批处理的完成时间。

背景介绍

本节先通过一个示例介绍批处理的场景，然后讨论高性能计算集群以及数组作业。

批处理

在高性能计算领域中，存在大批量、可同时处理的计算场景，如以下freebayes应用场景，不同任务均使用freebayes应用程序，但是每个任务处理不同的输入文件(--bam-list)、不同的参数(-r)和不同的结果文件(--vcf)。由于作业量巨大，需要任务的并发执行，以缩短任务处理时间。

高性能计算集群与数组作业介绍

高性能计算集群是将大量的计算节点通过网络互联，进行统一的管理和调度，为大规模应用运行提供计算环境，包括账号管理、调度管理、文件系统、集群监控等模块。

由于集群包含大量计算节点，通常为多个用户共同使用，每个用户可以提交多个作业，每个作业需要一个或多个计算节点。集群资源的分配是由调度管理协调，以避免资源使用冲突，常用的调度管理软件包括PBS，Slurm，SGE，LSF等。

数组作业是一组作业的集合，可以执行一条提交作业的命令，提交作业集合中的所有作业，每个作业用各自的index取值进行区分。

如使用PBS调度器提交1个数组作业，文件名为 qjob.sh，内容如下：

#!/bin/bash#PBS -N arrjob                 # 作业名称
#PBS -l nodes=1:ppn=1         # 每个作业需要1个计算节点，每个节点1个核的资源
#PBS -J 1-3                 # 数组作业的作业编号为1，2，3echo $PBS_ARRAY_ID             # 每个作业的编号在PBS_ARRAY_ID 环境变量中

qjob.sh脚本定义了一个数组作业，包含3个作业。作业编号范围用-J指定，取值为1-3。在具体作业执行时，每个作业的编号通过环境变量$PBS_ARRAY_ID获取。通过以下命令就可以提交qjob.sh 作业：

qsub ./qjob.sh

此时，创建了3个作业，而作业能否立刻执行，需要调度器根据集群空闲资源和作业的资源需求来定。若资源充裕，3个作业可以同时运行。

使用数组作业解决批处理任务

从批处理和数组作业介绍看，数组作业适用批处理计算的场景，但做到简易使用，还存在以下问题：

1. 批处理任务与作业的对应关系？当任务数量巨大时，是一个任务就是一个作业，还是一个作业包含多个任务？
2. 如何从$PBS_ARRAY_ID到不同任务的关联？并能够方便对应不同任务的不同参数？
3. 如何跟踪任务的执行情况？如何方便查看任务日志？在个别任务执行失败后，如何能够快速的筛选，并在调整后重新执行？

为此，我们给出使用数组作业解决批处理的方案，包括批处理任务到作业分配、批处理任务定义和任务运行及追踪功能。

批处理任务到作业分配

当批处理任务数目巨大时，如果每个任务都分配一个作业，调度器的负载就加重，虽然调度器能够显示不同作业的运行状态，作业数目过大，也会导致查看不方便。此外，相邻任务在一个节点执行，如果使用相同文件，可以重用节点的本地缓存。

为此，若任务数为Nt，作业数为Nj，每个作业处理的任务数为 Nt/Nj，如果不能整除，作业编号小于Nt%Nj的作业多处理一个任务。如之上批处理任务，如果Nt/Nj=2，但不能整除，作业编号小的作业会处理3个任务，而编号大的作业，会处理2个任务。

批处理任务定义

从批处理任务示例中我们可以看出，每个任务进行部分参数不同，若将这些变化的部分用变量代替，则批处理任务的处理脚本为（存放在文件 task.sh中）：

$ cat task.sh
#!/bin/bash
echo "process $bamlist and $chrvar"
#other shell commands 如通过cd $bamlist
freebayes --bam-list   $bamlist -r $chrvar  --vcf   /home/user/result/out-$bamlist.vcf
ret=$? # 保留主要程序的退出状态
# other shell commands
# ... ... exit $ret # 任务执行状态，0为成功，非0表示失败

其中，用$bamlist表示 --bam-list 选项的变化取值和--vcf参数取值的变化部分，用$chrvar表示 -r选型的变化取值。

将具体变化的取值，存储在变量名同名的文件中，每一行代表不同的取值，示例中有2个变量，因此需要两个文件——bamlist和chrvar。

$ cat bamlist
bam1_100
bam101_200
bam201_300
bam301_400
bam401_500
bam501_600
bam601_700
bam701_800
bam801_900
... ...
bam901_1000
bam1001_1100

$ cat chrvar
chr01:1-1000
chr01:1001-2000
chr03:100-200
chr12:1000-2000
chr02:100-1100
chr03:1000-2000
chr05:1000-2000
chr08:1000-2000
chr08:3000-6000
... ...
chr01:8000-9000
chr06:1000-2000

任务运行与追踪

在批处理任务定义后之后，需要实现任务与作业映射、变量文件的解析和赋值。这些通用功能，E-HPC提供了ehpcarrayjob.py python 脚本，进行处理，数组作业的脚本名若为qjob.sh，其内容为：

$ cat qjob.sh
#!/bin/bashPBS -N bayes.job
#PBS -l nodes=1:ppn=1
#PBS -J 1-Njcd $PBS_O_WORKDIR # 表示打开提交作业的目录。python ehpcarrayjob.py -n Nj -e ./task.sh bamlist chrvar

通过qsub命令提交到集群上，有PBS进行调度，实现批量执行(其中Nj为作业的数目，根据需求进行替换)。

$ python ehpcarrayjob.py -h
usage: ehpcarrayjob.py [-h] -n NJOBS -e EXECFILE argfiles [argfiles ...]positional arguments:argfilesoptional arguments:-h, --help            show this help message and exit-n NJOBS, --njobs NJOBSnumber of jobs-e EXECFILE, --execfile EXECFILEjob command file

其中：

-n表示有多少个作业

-e指明每个任务的处理脚本（需要带路径）

argfiles 一个或多个，指定多个参数文件。

作业提交后，数组作业会分配一个作业id，如“1[].manager”，每个子作业都有自己的子作业编号，如从1-Nj。

ehpcarrayjob.py会生成以”作业id“为名的目录（如1[].manager），每个子作业在该目录下有“log.子作业编号”命名的日志文件，记录每个作业的执行情况。

当任务的返回作状态为非0（失败）时，会将任务变量的取值在”作业id“目录下记录到名为”fails.变量名.子作业编号“的文件中。待确定失败原因，修改处理脚本后，方便重新提交作业。

总结

站在用户的角度，每次数值计算任务来了，除了要划分好批量的任务，即使有遗留的脚本，还需要改写每个任务的处理脚本。

此外，还要面对以下运行场景的问题：

​ 这次计算需要多少资源？
​ 到那里找这些资源？
​ 任务能运行起来吗，出错了怎么找原因？
​ 任务会不会重算、漏算？
​ 机器利用能不能衔接上，会不会出现长时间空闲？

使用阿里云弹性高性能计算(E-HPC)的批处理处理方案可以解决以上问题，让工作更专注。

可以看出，借助E-HPC方案用户仅需要通过以下几个步骤：

1. 将批处理任务中变化的取值提取出来，单独存储到一个文件中，文件名符合shell规范，如bamlist, chrvar。
2. 编写任务处理的脚本，使用变量名（文件名同名）替换任务中的变化取值，如task.sh。
3. 编写数组作业脚本，指明每个作业的资源需求，总作业数，调用 ehpcarrayjob.py启动批处理任务执行，如qjob.sh。

用qsub提交作业，进入”作业id“的目前查看任务处理进度以及又问题的任务列表。作业的运行状态根据集群的资源状态进行判断，如果集群节点充足，所有作业均可以运行；如果资源不满足，少量作业可以先执行。

同时E-HPC“云”超算方案还有以下优势：

1. 具备HPC集群原有特性，方便用户登陆集群进行编译和调试单个任务的处理逻辑，并通过E-HPC内置应用级监控模块集谛进行监控、分析、优化应用运行行为。
2. 借助E-HPC，可以直接将配置好的环境扩展到新加的计算节点上。同时，使用低配置的登陆和管控节点长久保留已配置环境。
3. 根据当前的任务处理效率，在“云”上动态地更换计算实例类型，并扩充计算资源来调整任务的处理时间，以应对紧急的任务处理。

作者： 云熵
原文链接
本文为云栖社区原创内容，未经允许不得转载。