SLURM — CAE用語解説

SLURMは「Simple Linux Utility for Resource Management」の略で、オープンソースのジョブスケジューラだ。大量のユーザーが共有するスパコンで、誰の計算をいつどのノードで走らせるかを管理してくれるんだよ。

基本はキュー（待ち行列）に並ぶんだけど、単純な先着順じゃなくて、フェアシェアポリシーで管理される。使いすぎてる人の優先度は下がるし、小さいジョブが大きいジョブの隙間に入るバックフィル機能もある。

ジョブスクリプトを書いてsbatch job.shで投入。状況確認はsqueue、キャンセルはscancel。スクリプトには「ノード数4、コア数128、実行時間24時間」みたいなリソース要求を#SBATCHディレクティブで書くんだ。

今はSLURMがシェアNo.1だよ。Top500のスパコンの6割以上がSLURMを採用してる。PBSも使われてるけど、商用版のPBS Proに移行が進んでてフリーで使いにくくなった面がある。SLURMはオープンソースで開発が活発だから、特に大学や研究機関で圧倒的だね。

実行時間の見積もりが甘いと途中で打ち切られるから、余裕をもって指定すること。あと、並列数を増やしすぎてノード間通信がボトルネックになるとかえって遅くなる。事前にスケーリングテストをして適切なノード数を決めるのが、計算機代を無駄にしないコツだよ。

その2つとscancel を覚えれば日常のジョブ管理はほぼカバーできるよ。あとはsacctで過去のジョブ履歴を見れば、自分の計算がどのくらいリソースを使ったか分析できるから、次のジョブの設定改善にも役立つんだ。