<html>
  <head>
    <meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
  </head>
  <body smarttemplateinserted="true">
    Hi John,<br>
    <br>
    > It's a DNS problem, isn't it?   Seriously though - how long
    does srun hostname take for a single system?<br>
    <br>
    We're running nscd on all nodes, with an extremely stable list of
    users/accounts, so I think we should be good here.<br>
    <br>
    "time srun hostname" reports on the order of 0.2 seconds, so at
    least single node requests are handled expediently!<br>
    <br>
    Andy<br>
    <div id="smartTemplate4-quoteHeader">
      <hr> <b>From:</b> John Hearns <a class="moz-txt-link-rfc2396E" href="mailto:hearnsj@googlemail.com"><hearnsj@googlemail.com></a> <br>
      <b>Sent:</b> Friday, April 26, 2019 10:56AM <br>
      <b>To:</b> Slurm User Community List
      <a class="moz-txt-link-rfc2396E" href="mailto:slurm-users@lists.schedmd.com"><slurm-users@lists.schedmd.com></a><br>
      <b>Cc:</b> <br>
      <b>Subject:</b> Re: [slurm-users] job startup timeouts? <br>
    </div>
    <div class="replaced-blockquote"
cite="mid:CAPqNE2UjDeK3K60_N9CX78GY3Xi7A_rsMxHiDXt8wmm4fokFLQ@mail.gmail.com"
      type="cite">
      <meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
      <div dir="ltr">
        <div>It's a DNS problem, isn't it?   Seriously though - how long
          does srun hostname take for a single system?</div>
        <div><br>
        </div>
      </div>
      <br>
      <div class="gmail_quote">
        <div class="gmail_attr" dir="ltr">On Fri, 26 Apr 2019 at 15:49,
          Douglas Jacobsen <<a href="mailto:dmjacobsen@lbl.gov"
            moz-do-not-send="true">dmjacobsen@lbl.gov</a>> wrote:<br>
        </div>
        <blockquote class="gmail_quote" style="margin:0px 0px 0px
0.8ex;padding-left:1ex;border-left-color:rgb(204,204,204);border-left-width:1px;border-left-style:solid">We
          have 12,000 nodes in our system, 9,600 of which are KNL.  We
          can<br>
          start a parallel application within a few seconds in most
          cases (when<br>
          the machine is dedicated to this task), even at full scale. 
          So I<br>
          don't think there is anything intrinsic to Slurm that would<br>
          necessarily be limiting you, though we have seen cases in the
          past<br>
          where arbitrary task distribution has caused contoller
          slow-down<br>
          issues as the detailed scheme was parsed.<br>
          <br>
          Do you know if all the slurmstepd's are starting quickly on
          the<br>
          compute nodes?  How is the OS/Slurm/executable delivered to
          the node?<br>
          ----<br>
          Doug Jacobsen, Ph.D.<br>
          NERSC Computer Systems Engineer<br>
          Acting Group Lead, Computational Systems Group<br>
          National Energy Research Scientific Computing Center<br>
          <a href="mailto:dmjacobsen@lbl.gov" target="_blank"
            moz-do-not-send="true">dmjacobsen@lbl.gov</a><br>
          <br>
          ------------- __o<br>
          ---------- _ '\<,_<br>
          ----------(_)/  (_)__________________________<br>
          <br>
          <br>
          On Fri, Apr 26, 2019 at 7:40 AM Riebs, Andy <<a
            href="mailto:andy.riebs@hpe.com" target="_blank"
            moz-do-not-send="true">andy.riebs@hpe.com</a>> wrote:<br>
          ><br>
          > Thanks for the quick response Doug!<br>
          ><br>
          > Unfortunately, I can't be specific about the cluster
          size, other than to say it's got more than a thousand nodes.<br>
          ><br>
          > In a separate test that I had missed, even "srun
          hostname" took 5 minutes to run. So there was no remote file
          system or MPI involvement.<br>
          ><br>
          > Andy<br>
          ><br>
          > -----Original Message-----<br>
          > From: slurm-users [mailto:<a
            href="mailto:slurm-users-bounces@lists.schedmd.com"
            target="_blank" moz-do-not-send="true">slurm-users-bounces@lists.schedmd.com</a>]
          On Behalf Of Douglas Jacobsen<br>
          > Sent: Friday, April 26, 2019 9:24 AM<br>
          > To: Slurm User Community List <<a
            href="mailto:slurm-users@lists.schedmd.com" target="_blank"
            moz-do-not-send="true">slurm-users@lists.schedmd.com</a>><br>
          > Subject: Re: [slurm-users] job startup timeouts?<br>
          ><br>
          > How large is very large?  Where is the executable being
          started?  In<br>
          > the parallel filesystem/NFS?  If that is the case you may
          be able to<br>
          > trim start times by using sbcast to transfer the
          executable (and its<br>
          > dependencies if dynamically linked) into a node-local
          resource, such<br>
          > as /tmp or /dev/shm depending on your local
          configuration.<br>
          > ----<br>
          > Doug Jacobsen, Ph.D.<br>
          > NERSC Computer Systems Engineer<br>
          > Acting Group Lead, Computational Systems Group<br>
          > National Energy Research Scientific Computing Center<br>
          > <a href="mailto:dmjacobsen@lbl.gov" target="_blank"
            moz-do-not-send="true">dmjacobsen@lbl.gov</a><br>
          ><br>
          > ------------- __o<br>
          > ---------- _ '\<,_<br>
          > ----------(_)/  (_)__________________________<br>
          ><br>
          ><br>
          > On Fri, Apr 26, 2019 at 5:34 AM Andy Riebs <<a
            href="mailto:andy.riebs@hpe.com" target="_blank"
            moz-do-not-send="true">andy.riebs@hpe.com</a>> wrote:<br>
          > ><br>
          > > Hi All,<br>
          > ><br>
          > > We've got a very large x86_64 cluster with lots of
          cores on each node, and hyper-threading enabled. We're running
          Slurm 18.08.7 with Open MPI 4.x on CentOS 7.6.<br>
          > ><br>
          > > We have a job that reports<br>
          > ><br>
          > > srun: error: timeout waiting for task launch,
          started 0 of xxxxxx tasks<br>
          > > srun: Job step 291963.0 aborted before step
          completely launched.<br>
          > ><br>
          > > when we try to run it at large scale. We anticipate
          that it could take as long as 15 minutes for the job to
          launch, based on our experience with smaller numbers of nodes.<br>
          > ><br>
          > > Is there a timeout setting that we're missing that
          can be changed to accommodate a lengthy startup time like
          this?<br>
          > ><br>
          > > Andy<br>
          > ><br>
          > > --<br>
          > ><br>
          > > Andy Riebs<br>
          > > <a href="mailto:andy.riebs@hpe.com" target="_blank"
            moz-do-not-send="true">andy.riebs@hpe.com</a><br>
          > > Hewlett-Packard Enterprise<br>
          > > High Performance Computing Software Engineering<br>
          > > +1 404 648 9024<br>
          > > My opinions are not necessarily those of HPE<br>
          > >     May the source be with you!<br>
          ><br>
          <br>
        </blockquote>
      </div>
    </div>
    <br>
  </body>
</html>