<div dir="ltr"><div dir="ltr">Hi,<div><br></div><div>I'm using slurm cluster with one master node and two worker node.</div><div>When I run sbatch job with SBATCH parameter shell file, job allocated each node.</div><div>With nvidia-smi command, I figure out job was appropriately allocated two node.</div><div>But mean a while, one node job suddenly killed and occured error mesage in /var/log/slurm/slurmd.log as below</div><div>After that, job continued remainded one node.</div><div><br></div><div>What is the problem? </div><div><br></div><div>[2023-02-22T07:12:54.214] pyxis: version v0.11.1<div>[2023-02-22T07:12:54.215] slurmd version 22.05.2 started</div><div>[2023-02-22T07:12:54.226] slurmd started on Wed, 22 Feb 2023 07:12:54 +0000</div><div>[2023-02-22T07:12:54.299] CPUs=40 Boards=1 Sockets=2 Cores=10 Threads=2 Memory=257609 TmpDisk=100220 Uptime=104407 CPUSpecList=(null) FeaturesAvail=(null) FeaturesActive=(null)</div><div>[2023-02-22T07:13:53.613] error: bad node index (-1 > 1)</div><div>[2023-02-22T07:14:00.966] epilog for job 1056 ran for 7 seconds</div><div>[2023-02-22T07:16:08.691] task/affinity: task_p_slurmd_batch_request: task_p_slurmd_batch_request: 127</div><div>[2023-02-22T07:16:08.692] task/affinity: batch_bind: job 127 CPU input mask for node: 0x0000000003</div><div>[2023-02-22T07:16:08.692] task/affinity: batch_bind: job 127 CPU final HW mask for node: 0x0000100001</div><div>[2023-02-22T07:16:08.951] [127.extern] task/cgroup: _memcg_initialize: job: alloc=0MB mem.limit=257609MB memsw.limit=unlimited</div><div>[2023-02-22T07:16:08.951] [127.extern] task/cgroup: _memcg_initialize: step: alloc=0MB mem.limit=257609MB memsw.limit=unlimited</div><div>[2023-02-22T07:16:08.956] Launching batch job 127 for UID 1002</div><div>[2023-02-22T07:16:08.976] [127.batch] task/cgroup: _memcg_initialize: job: alloc=0MB mem.limit=257609MB memsw.limit=unlimited</div><div>[2023-02-22T07:16:08.976] [127.batch] task/cgroup: _memcg_initialize: step: alloc=0MB mem.limit=257609MB memsw.limit=unlimited</div><div>[2023-02-22T07:16:09.036] launch task StepId=127.0 request from UID:1002 GID:1003 HOST:27.122.137.19 PORT:32996</div><div>[2023-02-22T07:16:09.036] task/affinity: lllp_distribution: JobId=127 implicit auto binding: cores, dist 8192</div><div>[2023-02-22T07:16:09.036] task/affinity: _task_layout_lllp_block: _task_layout_lllp_block</div><div>[2023-02-22T07:16:09.036] task/affinity: _lllp_generate_cpu_bind: _lllp_generate_cpu_bind jobid [127]: mask_cpu, 0x0000100001</div><div>[2023-02-22T07:16:09.148] [127.0] task/cgroup: _memcg_initialize: job: alloc=0MB mem.limit=257609MB memsw.limit=unlimited</div><div>[2023-02-22T07:16:09.149] [127.0] task/cgroup: _memcg_initialize: step: alloc=0MB mem.limit=257609MB memsw.limit=unlimited</div><div>[2023-02-22T07:16:53.880] error: bad node index (-1 > 1)</div><div>[2023-02-22T07:16:55.569] [127.0] get_exit_code task 0 died by signal: 9</div><div>[2023-02-22T07:16:55.578] [127.0] done with job</div><div>[2023-02-22T07:17:01.412] epilog for job 1056 ran for 8 seconds</div><div>[2023-02-22T07:19:35.335] [127.batch] done with job</div><div>[2023-02-22T07:19:35.350] [127.extern] done with job</div><div>[2023-02-22T07:19:53.067] error: bad node index (-1 > 1)</div><div>[2023-02-22T07:20:00.154] epilog for job 1056 ran for 7 seconds</div><div>[2023-02-22T07:22:53.294] error: bad node index (-1 > 1)</div><div>[2023-02-22T07:23:00.463] epilog for job 1056 ran for 7 seconds</div><div>[2023-02-22T07:25:53.485] error: bad node index (-1 > 1)</div><div>[2023-02-22T07:26:00.612] epilog for job 1056 ran for 7 seconds</div><div>[2023-02-22T07:28:53.709] error: bad node index (-1 > 1)</div><div>[2023-02-22T07:29:00.841] epilog for job 1056 ran for 7 seconds</div><div>[2023-02-22T07:31:53.975] error: bad node index (-1 > 1)</div><div>[2023-02-22T07:32:01.083] epilog for job 1056 ran for 8 seconds</div><div>[2023-02-22T07:34:53.165] error: bad node index (-1 > 1)</div></div><div> </div></div></div>