运行 MPI 程序在两个集群节点上时出现的问题

Question

我有一个非常简单的 MPI 程序：

  int my_rank;
  int my_new_rank;
  int size;

  MPI_Init(&argc, &argv);
  MPI_Comm_rank(MPI_COMM_WORLD, &my_rank);
  MPI_Comm_size(MPI_COMM_WORLD, &size);


  if (my_rank == 0 || my_rank == 18 || my_rank == 36){
    char hostbuffer[256];
    gethostname(hostbuffer, sizeof(hostbuffer));
    printf("Hostname: %s\n", hostbuffer);
  }
  MPI_Finalize();

我运行将它安装在一个有两个节点的集群上。我有一个 make 文件，并使用 mpicc 命令生成 cannon.run 可执行文件。我使用以下命令运行它：

time mpirun --mca btl ^openib -n 64 -hostfile ../second_machinefile ./cannon.run

在second_machinefile 我有这两个节点的名称。奇怪的问题是，当我从一个节点运行这个命令时，它正常执行，但是当我运行来自另一个节点的命令时，我得到错误：

Primary job  terminated normally, but 1 process returned
a non-zero exit code. Per user-direction, the job has been aborted.
--------------------------------------------------------------------------
*** Process received signal ***
Signal: Segmentation fault (11)
Signal code: Address not mapped (1)
Failing at address: 0x30

在尝试使用 GDB 调整后，我得到了这个回溯：

#0  0x00007ffff646e936 in ?? ()
   from /usr/lib/x86_64-linux-gnu/pmix/lib/pmix/mca_gds_ds21.so
#1  0x00007ffff6449733 in pmix_common_dstor_init ()
   from /lib/x86_64-linux-gnu/libmca_common_dstore.so.1
#2  0x00007ffff646e5b4 in ?? ()
   from /usr/lib/x86_64-linux-gnu/pmix/lib/pmix/mca_gds_ds21.so
#3  0x00007ffff659e46e in pmix_gds_base_select ()
   from /lib/x86_64-linux-gnu/libpmix.so.2
#4  0x00007ffff655688d in pmix_rte_init ()
   from /lib/x86_64-linux-gnu/libpmix.so.2
#5  0x00007ffff6512d7c in PMIx_Init () from /lib/x86_64-linux-gnu/libpmix.so.2
#6  0x00007ffff660afe4 in ext2x_client_init ()
   from /usr/lib/x86_64-linux-gnu/openmpi/lib/openmpi3/mca_pmix_ext2x.so
#7  0x00007ffff72e1656 in ?? ()
   from /usr/lib/x86_64-linux-gnu/openmpi/lib/openmpi3/mca_ess_pmi.so
#8  0x00007ffff7a9d11a in orte_init ()
   from /lib/x86_64-linux-gnu/libopen-rte.so.40
#9  0x00007ffff7d6de62 in ompi_mpi_init ()
   from /lib/x86_64-linux-gnu/libmpi.so.40
#10 0x00007ffff7d9c17e in PMPI_Init () from /lib/x86_64-linux-gnu/libmpi.so.40
#11 0x00005555555551d6 in main ()

老实说我不太明白。

我的主要困惑是程序从 machine_1 正确执行，它连接到 machine_2 没有错误，并且两台机器上的进程都已初始化。但是当我尝试从 machine_2 执行相同的命令时，它无法连接 machine_1。如果我运行它也只在 machine_2 上，当减少进程数以使其适合一台机器时，该程序也运行正确。

我做错了什么吗？或者我可以尝试更好地理解问题的原因吗？

Answer 1

这确实是 Open PMIx 中的一个错误，已在 https://github.com/openpmix/openpmix/pull/1580

中解决

同时，解决方法是将 gds/ds21 组件列入黑名单：

一个选择是

export PMIX_MCA_gds=^ds21

在调用 mpirun

之前

另一种选择是添加以下行

gds = ^ds21

到位于 <pmix_prefix>/etc/pmix-mca-params.conf

的 PMIx 配置文件

运行 MPI 程序在两个集群节点上时出现的问题

Issues when running MPI program on two cluster nodes

c

cluster-computing

mpi

openmpi