跟隨大型超級計算機（如 NVIDIA DGX SuperPOD ）的腳步，本文將引導您完成創(chuàng)建適合您桌面的小型集群的過程。以下是完成該項目的推薦硬件和軟件。該小規(guī)模集群可用于加速人工智能（ AI ）和深度學習（ DL ）工作流的訓練和推理，包括使用來自 NVIDIA NGC 目錄等來源的容器化環(huán)境。

硬件：

4 倍 NVIDIA Jetson Xavier NX 開發(fā)工具包

4x MicroSD 卡（ 128GB 以上）

1x SD + microSD 讀卡器

1x （可選） Seeed Studio Jetson Mate Cluster Mini

1x （可選） USB-C PD 電源（ 90w 以上）

1x （可選） USB-C PD 100w 電力電纜

雖然 Seeed Studio Jetson Mate 、 USB-C PD 電源和 USB-C 電纜不是必需的，但在本文中使用了它們，強烈建議將其用于整潔緊湊的桌面集群解決方案。

軟件：

Jetson NX Jetpack 4.6

Slurm 20.11

Pyxis 0.11

Enroot 3.3.1

有關(guān)更多信息，請參閱 NVIDIA Jetson Xavier NX 開發(fā)工具包 。

安裝

將 JetPack 圖像寫入 microSD 卡，并執(zhí)行初始 JetPack 配置步驟：

本文的第一次迭代針對 Slurm 控制節(jié)點（slurm-control）。配置第一個節(jié)點后，可以選擇為每個模塊重復每個步驟，也可以為其他模塊克隆第一個 microSD 卡；稍后將對此進行詳細介紹。

在遵循上述入門指南的同時：

跳過無線網(wǎng)絡(luò)設(shè)置部分，因為將使用有線連接。

選擇用戶名和密碼時，請選擇您喜歡的，并在所有節(jié)點上保持一致。

將計算機名稱設(shè)置為當前使用的目標節(jié)點，第一個是slurm-control。

當提示選擇 Nvpmodel Mode 的值時，選擇MODE_20W_6CORE以獲得最大性能。

刷新并完成《入門指南》后，運行以下命令：

echo "`id -nu` ALL=(ALL) NOPASSWD: ALL" | sudo tee /etc/sudoers.d/`id -nu`
sudo systemctl mask snapd.service apt-daily.service apt-daily-upgrade.service
sudo systemctl mask apt-daily.timer apt-daily-upgrade.timer
sudo apt update
sudo apt upgrade -y
sudo apt autoremove -y

禁用 NetworkManager ，啟用 systemd networkd ，并配置網(wǎng)絡(luò)[DHCP]：

sudo systemctl disable NetworkManager.service NetworkManager-wait-online.service NetworkManager-dispatcher.service network-manager.service
sudo systemctl mask avahi-daemon
sudo systemctl enable systemd-networkd
sudo ln -sf /run/systemd/resolve/stub-resolv.conf /etc/resolv.conf
cat << EOF | sudo tee /etc/systemd/network/eth0.network > /dev/null [Match]
Name=eth0 [Network]
DHCP=ipv4
MulticastDNS=yes [DHCP]
UseHostname=false
UseDomains=false
EOF sudo sed -i "/#MulticastDNS=/c\MulticastDNS=yes" /etc/systemd/resolved.conf
sudo sed -i "/#Domains=/c\Domains=local" /etc/systemd/resolved.conf

配置節(jié)點主機名：

如果您已經(jīng)在初始 JetPack 設(shè)置中設(shè)置了主機名，則可以跳過此步驟。

[slurm-control]

sudo hostnamectl set-hostname slurm-control
sudo sed -i "s/127\.0\.1\.1.*/127\.0\.1\.1\t`hostname`/" /etc/hosts

[compute-node]

計算節(jié)點應遵循特定的命名約定，以便通過 Slurm 輕松尋址。使用一致標識符，后跟順序遞增的數(shù)字（例如， node1 、 node2 等）。在本文中，我建議對計算節(jié)點使用nx1、nx2和nx3。但是，您可以選擇遵循類似約定的任何內(nèi)容。

sudo hostnamectl set-hostname nx[1-3]
sudo sed -i "s/127\.0\.1\.1.*/127\.0\.1\.1\t`hostname`/" /etc/hosts

為 Munge 和 Slurm 創(chuàng)建用戶和組：

sudo groupadd -g 1001 munge
sudo useradd -m -c "MUNGE" -d /var/lib/munge -u 1001 -g munge -s /sbin/nologin munge
sudo groupadd -g 1002 slurm
sudo useradd -m -c "SLURM workload manager" -d /var/lib/slurm -u 1002 -g slurm -s /bin/bash slurm

安裝 Munge ：

sudo apt install libssl-dev -y
git clone https://github.com/dun/munge
cd munge ./bootstrap
./configure
sudo make install -j6
sudo ldconfig
sudo mkdir -m0755 -pv /usr/local/var/run/munge
sudo chown -R munge: /usr/local/etc/munge /usr/local/var/run/munge /usr/local/var/log/munge

創(chuàng)建或復制 Munge 加密密鑰：

[slurm-control]

sudo -u munge mungekey --verbose

[compute-node]

sudo sftp -s 'sudo /usr/lib/openssh/sftp-server' `id -nu`@slurm-control <

啟動 Munge 并測試本地安裝：

sudo systemctl enable munge
sudo systemctl start munge
munge -n | unmunge

預期結(jié)果：STATUS: Success (0)

驗證 Munge 加密密鑰是否從計算節(jié)點匹配到 slurm 控件：

[compute-node]

munge -n | ssh slurm-control unmunge

預期結(jié)果：STATUS: Success (0)

安裝 Slurm （ 20.11.9 ）：

cd ~
wget https://download.schedmd.com/slurm/slurm-20.11-latest.tar.bz2
tar -xjvf slurm-20.11-latest.tar.bz2
cd slurm-20.11.9
./configure --prefix=/usr/local
sudo make install -j6

索引 Slurm 共享對象并復制 systemd 服務(wù)文件：

sudo ldconfig -n /usr/local/lib/slurm
sudo cp etc/*.service /lib/systemd/system

為 Slurm 創(chuàng)建目錄并應用權(quán)限：

sudo mkdir -pv /usr/local/var/{log,run,spool} /usr/local/var/spool/{slurmctld,slurmd}
sudo chown slurm:root /usr/local/var/spool/slurm*
sudo chmod 0744 /usr/local/var/spool/slurm*

為所有節(jié)點創(chuàng)建 Slurm 配置文件：

對于這一步，您可以按照包含的命令操作，并為集群使用以下配置文件（推薦）。要自定義與 Slurm 相關(guān)的變量，請使用configuration tool。

cat << EOF | sudo tee /usr/local/etc/slurm.conf > /dev/null
#slurm.conf for all nodes#
ClusterName=SlurmNX
SlurmctldHost=slurm-control
MpiDefault=none
ProctrackType=proctrack/pgid
ReturnToService=2
SlurmctldPidFile=/usr/local/var/run/slurmctld.pid
SlurmctldPort=6817
SlurmdPidFile=/usr/local/var/run/slurmd.pid
SlurmdPort=6818
SlurmdSpoolDir=/usr/local/var/spool/slurmd
SlurmUser=slurm
StateSaveLocation=/usr/local/var/spool/slurmctld
SwitchType=switch/none
InactiveLimit=0
KillWait=30
MinJobAge=300
SlurmctldTimeout=120
SlurmdTimeout=300
Waittime=0
SchedulerType=sched/backfill
SelectType=select/cons_tres
SelectTypeParameters=CR_Core_Memory
JobCompType=jobcomp/none
SlurmctldDebug=info
SlurmctldLogFile=/usr/local/var/log/slurmctld.log
SlurmdDebug=info
SlurmdLogFile=/usr/local/var/log/slurmd.log NodeName=nx[1-3] RealMemory=7000 Sockets=1 CoresPerSocket=6 ThreadsPerCore=1 State=UNKNOWN
PartitionName=compute Nodes=ALL Default=YES MaxTime=INFINITE State=UP EOF

安裝 Enroot 3.3.1 ：

cd ~
sudo apt install curl jq parallel zstd -y
arch=$(dpkg --print-architecture)curl -fSsL -O https://github.com/NVIDIA/enroot/releases/download/v3.3.1/enroot_3.3.1-1_${arch}.deb
sudo dpkg -i enroot_3.3.1-1_${arch}.deb

安裝 Pyxis （ 0.13 ）：

git clone https://github.com/NVIDIA/pyxis
cd pyxis
sudo make install -j6

創(chuàng)建 Pyxis 插件目錄和配置文件：

sudo mkdir /usr/local/etc/plugstack.conf.d
echo "include /usr/local/etc/plugstack.conf.d/*" | sudo tee /usr/local/etc/plugstack.conf > /dev/null

將 Pyxis 默認配置文件鏈接到插件目錄：

sudo ln -s /usr/local/share/pyxis/pyxis.conf /usr/local/etc/plugstack.conf.d/pyxis.conf

驗證 Enroot / Pyxis 安裝成功：

srun --help | grep container-image

預期結(jié)果：--container-image=[USER@][REGISTRY#]IMAGE[:TAG]|PATH

定稿

在其余節(jié)點上復制配置時，用分配的節(jié)點名和/或 microSD 卡標記 JetsonNX 模塊。這有助于防止以后在移動模塊或卡時出現(xiàn)混淆。

有兩種不同的方法可以將安裝復制到其余模塊：手動配置或克隆 slurm 控制。仔細閱讀這兩種方法，然后選擇你喜歡的方法。

手動配置其余節(jié)點

對于當前模塊，請遵循下面的“啟用并啟動 Slurm 服務(wù)守護進程”部分，然后對其余模塊重復整個過程 ，跳過[slurm-control]下標記的任何步驟。所有模塊完全配置后，將其安裝到各自插槽中的 Jetson 配對中，如“將所有 Jetson Xavier NX 模塊安裝到機柜”部分所述。

為其余節(jié)點安裝克隆 slurm 控制

為了避免對每個節(jié)點重復所有安裝步驟，請將slurm-control節(jié)點的卡克隆為基本圖像，并將其閃存到所有剩余的卡上。如果您只有一個多端口讀卡器，并且希望進行卡到卡的克隆，則需要 microSD 到 SD 卡適配器。或者，也可以從源slurm-control卡在本地機器上創(chuàng)建圖像文件，然后閃爍目標卡。

1. 關(guān)閉您正在使用的 Jetson ，從模塊中取出 microSD 卡，然后將其插入讀卡器。
2. 如果您正在執(zhí)行物理卡到卡克隆（使用 Balena Etcher 、 dd 或任何其他將逐扇區(qū)寫入的實用程序），請將空白目標 microSD 插入 SD 卡適配器，然后將其插入讀卡器。
3. 識別您正在使用的應用程序中的源（ microSD ）和目標（ SD 卡）的對應卡，然后開始克隆過程。
4. 如果要創(chuàng)建圖像文件，請使用您選擇的實用程序，從本地機器上的slurm-controlmicroSD 卡創(chuàng)建一個圖像文件，然后取出該卡，并使用該圖像閃爍其余空白卡。
5. 克隆完成后，將克隆卡插入 Jetson 模塊并通電。配置計算節(jié)點的節(jié)點主機名，然后繼續(xù)啟用并啟動 Slurm 服務(wù)守護進程。對所有剩余的卡/模塊對重復此過程。

啟用并啟動 Slurm 服務(wù)守護進程：

[slurm-control]

sudo systemctl enable slurmctld
sudo systemctl start slurmctld

[compute-node]

sudo systemctl enable slurmd
sudo systemctl start slurmd

將所有 Jetson Xavier NX 模塊安裝到機柜中

首先關(guān)閉所有正在運行的模塊的電源，然后將其從托架上卸下。將所有 Jetson 模塊安裝到 Seeed Studio Jetson Mate 中，確保控制節(jié)點放置在標記為“ MASTER ”的主插槽中，計算節(jié)點 1-3 分別放置在標記為“ WORKE 1 、 2 和 3 ”的輔助插槽中。每個模塊的 Jetson 配對套件中都有可選的風扇延長電纜。

機柜上的視頻輸出連接到主模塊插槽，垂直 USB2 端口和 USB3 端口 1 也是如此。所有其他 USB 端口根據(jù)其各自的端口號連接到其他模塊。

故障排除

本節(jié)包含一些有用的命令，用于幫助解決常見網(wǎng)絡(luò)和 Slurm 相關(guān)問題。

測試網(wǎng)絡(luò)配置和連接

以下命令應在routable狀態(tài)下顯示eth0，并從 DHCP 服務(wù)器獲取 IP 地址信息：

networkctl status

該命令應以本地節(jié)點的主機名和響應。本地作為域（例如slurm-control.local），以及 DHCP 分配的 IP 地址：

host `hostname`

選擇已配置并聯(lián)機的計算節(jié)點主機名。它應該類似地響應上一個命令。例如：主機 nx1 – nx1 。本地 has 地址為 192.168.0.1 。這也適用于在局域網(wǎng)上運行 mDNS 解析器守護進程的任何其他主機。

host [compute-node-hostname]

所有集群節(jié)點都應該可以被所有其他節(jié)點 ping ，所有本地 LAN IP 地址也應該可以 ping ，例如路由器。

ping [compute-node-hostname/local-network-host/ip]

測試外部 DNS 名稱解析并確認到 internet 的路由功能正常：

ping www.nvidia.com

檢查 Slurm 群集狀態(tài)和節(jié)點通信

以下命令顯示集群的當前狀態(tài)，包括節(jié)點狀態(tài)：

sinfo -lNe

如果sinfo輸出中的任何節(jié)點顯示其狀態(tài)未知或關(guān)閉，則以下命令向指定節(jié)點發(fā)出信號，以更改其狀態(tài)并可用于作業(yè)調(diào)度（[]在主機名“ nx ”后指定一個數(shù)字范圍）：

scontrol update NodeName=hostname[1-3] State=RESUME

以下命令在所有可用的計算節(jié)點上運行hostname。節(jié)點應在控制臺中使用其相應的主機名進行響應。

srun -N3 hostname

總結(jié)

現(xiàn)在，您已經(jīng)成功構(gòu)建了一個適合您的桌面的多節(jié)點 Slurm 集群。現(xiàn)在，您可以在迷你集群上運行大量基準測試、項目、工作負載和容器。歡迎在這篇帖子上分享您的反饋，當然，也可以分享您的新集群正在用于的任何內(nèi)容。

關(guān)于作者

Steven McIntire 是 Enterprise Products group 旗下 RAPLAB 的解決方案架構(gòu)師，其主要關(guān)注數(shù)據(jù)中心基礎(chǔ)設(shè)施的所有方面。在 NVIDIA 的整個職業(yè)生涯中，他為多個大型計算項目做出了貢獻，包括 Saturn V 、 Circe 、 Selene 、 SuperPOD 和 GeForce Now 。

審核編輯：郭婷