Scopul acestui laborator este de a vă familiariza cu infrastructura de calcul de înaltă performanță (HPC – High Performance Computing) a facultății.

Veți învăța cum să interacționați cu clusterul prin intermediul nodului de acces FEP (Front-End Processor), cum să analizați resursele disponibile, și cum să lansați și să monitorizați joburi pe nodurile de calcul.

De asemenea, veți explora sistemul de gestiune a joburilor și politicile de alocare a resurselor (precumul timp maxim de execuție per job, numărul maxim de joburi active și limitele de utilizare a CPU-urilor, GPU-urilor și memoriei RAM), care pot varia în funcție de categoria de utilizator — student, cadru didactic sau cercetător.

Aplicațiile moderne din știință și inginerie — de la simulări meteorologice și modelarea curgerilor de fluide, până la antrenarea modelelor de inteligență artificială — necesită resurse de calcul care depășesc cu mult capacitatea unui sistem individual.

Exact pentru astfel de sarcini sunt utilizate clusterele HPC, sisteme capabile să combine puterea a zeci, sute sau chiar mii de noduri într-o infrastructură paralelă, distribuită și scalabilă.

Un cluster HPC este format din noduri de calcul interconectate printr-o rețea internă de mare viteză (de obicei InfiniBand sau Ethernet RDMA, de ordinul sutelor de Gbps). Fiecare nod este echipat cu procesoare multi-core (CPU) și, în multe cazuri, cu acceleratoare grafice (GPU) specializate în calcule masiv paralele.

Nodurile partajează un sistem de fișiere paralel (precum Lustre, BeeGFS, sau Ceph), care permite acces simultan la date de către procese multiple.

Orchestrarea joburilor și alocarea resurselor se face de către un cluster management software (precum SLURM - cel mai popular, PBS, Torque sau LSF). Acesta primește cererile utilizatorilor, planifică rularea joburilor în funcție de disponibilitatea resurselor și de politicile de acces, optimizând în permanență utilizarea clusterului. Astfel, mai mulți utilizatori pot folosi simultan infrastructura, fără a se afecta reciproc.

Aplicațiile rulate pe un cluster HPC folosesc paradigme și biblioteci de programare distribuită și paralelă, precum:

• MPI – pentru programare pe model distributed memory (între noduri);
• OpenMP/Pthreads – pentru programare pe model shared-memory la nivel de CPU (per nod multi-core);
• CUDA – pentru programare pe model shared-memory la nivel de GPU.

Prin combinarea acestor tehnologii, sistemele HPC oferă o platformă integrată capabilă să atingă performanțe de ordinul tera– sau peta–flopilor, fiind esențiale în cercetarea științifică modernă.

Nodurile sunt organizate în partiții, fiecare partiție conținând o configurație hardware omogenă (aceeași arhitectură și același număr de CPU-uri/GPU-uri, aceeași capacitate RAM etc.).

Clusterul poate fi, astfel, heterogen, incluzând de exemplu:

• o partiție cu noduri exclusiv CPU,
• una cu GPU-uri NVIDIA H100,
• alta cu GPU-uri A100,
• o partiție hibridă CPU + GPU P100, ș.a.m.d.

Partițiile pot fi diferențiate și prin politici de acces, unele fiind dedicate anumitor categorii de utilizatori sau proiecte, ori impunând limite de timp și prioritate.

Un cluster HPC include, în general, următoarele componente:

• Noduri de acces (FEP-uri) - servere prin care utilizatorii se conectează la cluster; nu efectuează calcule, ci servesc ca punct de intrare.
• Noduri de calcul - serverele de execuție pe care rulează efectiv joburile utilizatorilor.
• Noduri de stocare - servere dedicate sistemului de fișiere partajat și managementului datelor.
• Rețea internă HPC - interconectează toate componentele la viteze foarte mari, folosind InfiniBand HDR/NDR sau Ethernet RDMA.

Universitățile tehnice dispun adesea de clustere HPC proprii, folosite pentru activități de cercetare și educație. Universitatea Politehnica din București (UPB) deține un astfel de cluster modern, echipat cu GPU-uri performante (precum NVIDIA H100, A100, P100), utilizate pentru proiecte de educatie si cercetare.

[nume.student@fep8 ~]$ sinfo -o "%10P %55N %8c %10m %20G"
PARTITION  NODELIST                                                CPUS     MEMORY     GRES
dgxa100    dgxa100-ncit-wn[01-04]                                  256      2063510    gpu:tesla_a100:8
dgxh100    dgxh100-precis-wn[01-03]                                224      2063426    gpu:tesla_h100:8
haswell*   haswell-wn[29-41]                                       32       127309     (null)
hd         xl675dg10-wn175                                         96       773230     gpu:tesla_a100:10
ml         sprmcrogpu-wn[140-141]                                  112      128230     gpu:tesla_a100:2
sprmcrogpu sprmcrogpu-wn13                                         64       515111     gpu:rtx_2080ti:8
ucsx       ucsx-ncit-gpu-wn[100-101],ucsx-precis-gpu-wn[100-101]   64       257158     gpu:tesla_a100:3
xl         xl270-wn[161-162]                                       56       257158     gpu:tesla_p100:2

FEP-ul (Front-End Processor) reprezintă nodul de acces către clusterul HPC al universității. Pe scurt, acesta este serverul prin intermediul căruia utilizatorii se conectează la infrastructură pentru a pregăti și lansa job-urile pe resursele de calcul ale clusterului (CPU-uri și/sau GPU-uri).

Conectarea la FEP se realizează prin protocolul SSH, folosind următoarea comandă:

 ssh -X -o ServerAliveInterval=100 user.name@fep.grid.pub.ro 

Explicația parametrilor:

• -X – permite redirecționarea interfeței grafice (dacă folosiți aplicații GUI);
• ServerAliveInterval=100 – menține conexiunea activă dacă terminalul e inactiv o perioadă.

Pentru o conectare mai simplă, puteți adăuga, local, în fișierul ~/.ssh/config, următorul bloc (după ce ați generat o pereche cheie privată/publică, de exemplu RSA):

Host fep fep.grid.pub.ro
    HostName fep.grid.pub.ro
    User <user.name>
    ForwardX11 yes
    IdentityFile ~/.ssh/id_fep
    ServerAliveInterval 100

Apoi, copiați cheia publică în fișierul ~/.ssh/authorized_keys de pe FEP, pentru a vă putea conecta de acum direct prin ssh fep. După conectare, utilizatorul se află pe serverul FEP. Atenție, acest server NU este destinat execuției joburilor!

FEP-ul are un rol limitat, oferind:

• un mediu de lucru minimal (shell Linux),
• acces la fișierele și directoarele proprii,
• pregătirea codului sursă,
• lansarea joburilor către nodurile de calcul din cluster.

Execuția efectivă a joburilor are loc exclusiv pe nodurile de calcul, care dispun de resursele reale de procesare (CPU, GPU, RAM extins).

Într-un sistem HPC, numeroase aplicații, compilatoare, biblioteci sunt instalate simultan (de exemplu mai multe versiuni de GCC, CUDA, OpenMPI, etc.). Aceste pachete pot depinde de versiuni diferite de drivere sau biblioteci, iar utilizarea lor directă poate duce la conflicte.

Pentru a evita astfel de probleme și pentru a permite fiecărui utilizator să își configureze rapid propriul mediu de lucru, infrastructurile HPC folosesc sisteme specializate de gestionare a mediului software, precum Environment Modules sau Lmod.

Aceste instrumente permit încărcarea dinamică a mediului de lucru. Practic, ele modifică temporar variabile precum PATH, LD_LIBRARY_PATH, CPATH, astfel încât utilizatorul să folosească exact versiunea dorită a unui compilator sau a unei biblioteci, fără a afecta sistemul global.

Pe clusterul HPC al Politehnicii este instalat Environment Modules, disponibil implicit atât pe nodul de acces (FEP), cât și pe nodurile de calcul. Prin comenzile module, fiecare utilizator poate vedea ce software este disponibil și poate încărca mediul de lucru potrivit pentru aplicația sa.

Comenzi uzuale:

module help
module avail                      # afișează modulele disponibile
module load libraries/cuda-12.3   # încarcă biblioteca CUDA corespunzătoare
module list                       # arată modulele active în sesiunea curentă
module unload libraries/cuda-12.3 # dezactivează un modul
module purge                      # dezactivează toate modulele încărcate

Exemplu de utilizare într-un job SLURM (hello.sh):

#!/bin/bash
#SBATCH --gres=gpu:1
#SBATCH --partition=<GPU_PARTITION>
module load libraries/<CUDA_VERSION>
nvcc -o hello hello.cu
./hello

Apoi rulati sbatch hello.sh pentru a submite jobul.

• Creați-vă un document în care să vă treceți toate informațiile pe care le-ați putut obține despre cluster (ex: arhitecturi existente, permisiuni de rulare a joburilor, etc.). Exemple de întrebări din partea asistenților de laborator:
  • Care sunt partițiile existente pe cluster? Cu ce diferă una față de alta?
  • Câtă memorie RAM este disponibilă pe fiecare partiție? Diferă față de maximul care este permis per job? (hint: scontrol)
  • Ce arhitectură CPU există pe haswell?
  • Cum vezi toate joburile tale care se execută în prezent pe cluster? Cum oprești un job specific? Dar pe toate dintr-o singură comandă?
  • Care este timpul maxim de rulare care îți este alocat per job? (hint: sacctmgr, MaxWallDurationPerJob)
• Rulați cel puțin un program CPU-based și un program care utilizează CUDA cu sbatch. Verificați rezultatele.

• SLURM Cheat sheet (2 pages)
• SLURM Support for Multi-core/Multi-thread Architectures
• https://infrastructure.pages.upb.ro/wiki/docs/grid/