خطاهای رایج Slurm و راهکارها¶

برای عیب‌یابی Job، همیشه این سه مورد را بررسی کنید: وضعیت Job، فایل خروجی و فایل خطا.

چک‌لیست سریع¶

squeue -u $USER
sacct -u $USER --starttime today
sacct -j JOBID --format=JobID,JobName,Partition,State,ExitCode,Elapsed,NodeList
cat logs/*JOBID*.out
cat logs/*JOBID*.err

TIMEOUT¶

یعنی زمان تعیین‌شده تمام شده است.

#SBATCH --time=04:00:00

راهکار:

• زمان را منطقی افزایش دهید.
• قبل از اجرای اصلی، داده کوچک‌تر را تست کنید.
• مطمئن شوید کد در حلقه بی‌پایان گیر نکرده است.

OUT_OF_MEMORY¶

یعنی RAM کافی نبوده است.

#SBATCH --mem=8G

راهکار:

• حافظه را افزایش دهید.
• داده را مرحله‌ای پردازش کنید.
• از نگهداری چند کپی بزرگ از داده در RAM خودداری کنید.

Permission denied¶

pwd
ls -lah
ls -ld .
id

اگر فایل Shell اجرا نمی‌شود:

chmod +x scripts/run.sh

No such file or directory¶

معمولاً یعنی Job از مسیر دیگری اجرا شده است یا فایل ورودی وجود ندارد.

cd ~/projects/my-project
python3 scripts/main.py

command not found¶

which python3
which matlab-slurm
module avail

اگر از venv استفاده می‌کنید:

source .venv/bin/activate
python script.py

ModuleNotFoundError¶

source .venv/bin/activate
pip install PACKAGE_NAME
python script.py

Job سریع Fail می‌شود¶

این موارد را بررسی کنید:

1. فایل .err
2. مسیر cd
3. وجود فایل ورودی
4. قابل اجرا بودن دستور اصلی
5. NodeList در خروجی sacct

اطلاعات لازم برای پشتیبانی¶