source: trunk/pbs_drmaa/job.c @ 63

Revision 63, 15.8 KB checked in by mmamonski, 8 years ago (diff)

more verbose logging in job missing

  • Property svn:keywords set to Id
Line 
1/* $Id$ */
2/*
3 *  FedStage DRMAA for PBS Pro
4 *  Copyright (C) 2006-2009  FedStage Systems
5 *
6 *  This program is free software: you can redistribute it and/or modify
7 *  it under the terms of the GNU General Public License as published by
8 *  the Free Software Foundation, either version 3 of the License, or
9 *  (at your option) any later version.
10 *
11 *  This program is distributed in the hope that it will be useful,
12 *  but WITHOUT ANY WARRANTY; without even the implied warranty of
13 *  MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
14 *  GNU General Public License for more details.
15 *
16 *  You should have received a copy of the GNU General Public License
17 *  along with this program.  If not, see <http://www.gnu.org/licenses/>.
18 */
19
20#ifdef HAVE_CONFIG_H
21#       include <config.h>
22#endif
23
24#include <signal.h>
25#include <stdlib.h>
26#include <string.h>
27#include <unistd.h>
28#include <sys/stat.h>
29
30#include <drmaa_utils/drmaa.h>
31#include <drmaa_utils/drmaa_util.h>
32#include <pbs_error.h>
33#include <pbs_ifl.h>
34
35#include <pbs_drmaa/job.h>
36#include <pbs_drmaa/log_reader.h>
37#include <pbs_drmaa/pbs_attrib.h>
38#include <pbs_drmaa/session.h>
39#include <pbs_drmaa/util.h>
40
41#ifndef lint
42static char rcsid[]
43#       ifdef __GNUC__
44                __attribute__ ((unused))
45#       endif
46        = "$Id$";
47#endif
48
49
50static void pbsdrmaa_job_control( fsd_job_t *self, int action );
51
52static void pbsdrmaa_job_update_status( fsd_job_t *self );
53
54static void pbsdrmaa_job_on_missing( fsd_job_t *self );
55
56static void pbsdrmaa_job_on_missing_standard( fsd_job_t *self );
57
58static void pbsdrmaa_job_update( fsd_job_t *self, struct batch_status* );
59
60static int pbsdrmaa_job_read_exit_status( const char *job_id, const char *job_state_dir_prefix);
61
62fsd_job_t *
63pbsdrmaa_job_new( char *job_id )
64{
65        pbsdrmaa_job_t *self = (pbsdrmaa_job_t*)fsd_job_new( job_id );
66        fsd_realloc( self, 1, pbsdrmaa_job_t );
67        self->super.control = pbsdrmaa_job_control;
68        self->super.update_status = pbsdrmaa_job_update_status;
69        self->super.on_missing = pbsdrmaa_job_on_missing;
70        self->missing_time = 0;
71        self->update = pbsdrmaa_job_update;
72        return (fsd_job_t*)self;
73}
74
75
76static void
77pbsdrmaa_job_control( fsd_job_t *self, int action )
78{
79        volatile bool conn_lock = false;
80        pbsdrmaa_session_t *session = (pbsdrmaa_session_t*)self->session;
81        const char *job_id = self->job_id;
82        const char *apicall = NULL;
83        int rc = PBSE_NONE;
84
85        fsd_log_enter(( "({job_id=%s}, action=%d)",
86                        self->job_id, action ));
87
88        TRY
89         {
90                int tries_left = session->max_retries_count;
91                int sleep_time = 1;
92
93                conn_lock = fsd_mutex_lock( &self->session->drm_connection_mutex );
94
95                /*TODO reconnect */
96                while ( true )
97                 {
98                        switch( action )
99                         {
100                                /*
101                                 * We cannot know whether we did suspend job
102                                 * in other way than remembering this inside DRMAA session.
103                                 */
104                                case DRMAA_CONTROL_SUSPEND:
105                                        apicall = "pbs_sigjob";
106                                        rc = pbs_sigjob( session->pbs_conn, (char*)job_id,
107                                                        "SIGSTOP", NULL );
108                                        fsd_log_info(("pbs_sigjob(%s, SIGSTOP) =%d", job_id, rc));
109                                        if( rc == PBSE_NONE )
110                                                self->flags |= FSD_JOB_SUSPENDED;
111                                        break;
112                                case DRMAA_CONTROL_RESUME:
113                                        apicall = "pbs_sigjob";
114                                        rc = pbs_sigjob( session->pbs_conn, (char*)job_id,
115                                                        "SIGCONT", NULL );
116                                        fsd_log_info(("pbs_sigjob(%s, SIGCONT) =%d", job_id, rc));
117                                        if( rc == PBSE_NONE )
118                                                self->flags &= ~FSD_JOB_SUSPENDED;
119                                        break;
120                                case DRMAA_CONTROL_HOLD:
121                                        apicall = "pbs_holdjob";
122                                        rc = pbs_holdjob( session->pbs_conn, (char*)job_id,
123                                                        USER_HOLD, NULL );
124                                        fsd_log_info(("pbs_sigjob(%s, SIGHOLD) =%d", job_id, rc));
125                                        if( rc == PBSE_NONE )
126                                                self->flags |= FSD_JOB_HOLD;
127                                        break;
128                                case DRMAA_CONTROL_RELEASE:
129                                        apicall = "pbs_rlsjob";
130                                        rc = pbs_rlsjob( session->pbs_conn, (char*)job_id,
131                                                        USER_HOLD, NULL );
132                                        fsd_log_info(("pbs_rlsjob(%s) =%d", job_id, rc));
133                                        if( rc == PBSE_NONE )
134                                                self->flags &= FSD_JOB_HOLD;
135                                        break;
136                                case DRMAA_CONTROL_TERMINATE:
137                                        apicall = "pbs_deljob";
138                                        rc = pbs_deljob( session->pbs_conn, (char*)job_id, NULL );
139                                        fsd_log_info(("pbs_deljob(%s) =%d", job_id, rc));
140                                        /* Torque:
141                                         * deldelay=N -- delay between SIGTERM and SIGKILL (default 0) */
142                                        if( rc == PBSE_NONE )
143                                         {
144                                                self->flags &= FSD_JOB_TERMINATED_MASK;
145                                                if( (self->flags & FSD_JOB_TERMINATED) == 0 )
146                                                        self->flags |= FSD_JOB_TERMINATED | FSD_JOB_ABORTED;
147                                         }
148                                        break;
149                         }
150
151retry_connect:
152                        if ( rc == PBSE_NONE )
153                                break;
154                        else if (( rc == PBSE_INTERNAL || rc == PBSE_PROTOCOL || rc == PBSE_EXPIRED) && (tries_left--))
155                         {
156                                if (rc == PBSE_PROTOCOL || rc == PBSE_EXPIRED)
157                                 {
158                                        if ( session->pbs_conn >= 0)
159                                                pbs_disconnect( session->pbs_conn );
160
161                                        sleep( sleep_time++ );
162
163                                        session->pbs_conn = pbs_connect( session->super.contact );
164
165                                        if (session->pbs_conn < 0)
166                                                goto retry_connect;
167
168                                        fsd_log_info(( "pbs_connect(%s) =%d", session->super.contact, session->pbs_conn ));
169                                 }
170                                else /* PBSE_INTERNAL */
171                                 {
172                                        /*
173                                         * In PBS Pro pbs_sigjob raises internal server error (PBSE_INTERNAL)
174                                         * when job just changed its state to running.
175                                         */
176                                        sleep( sleep_time++ );
177                                 }
178                                fsd_log_debug(( "repeating request (%d of %d)", tries_left, session->max_retries_count));
179                         }
180                        else
181                                pbsdrmaa_exc_raise_pbs( apicall );
182                 } /* end while */
183         }
184        FINALLY
185         {
186                if( conn_lock )
187                        conn_lock = fsd_mutex_unlock( &self->session->drm_connection_mutex );
188         }
189        END_TRY
190
191        fsd_log_return((""));
192}
193
194
195void
196pbsdrmaa_job_update_status( fsd_job_t *self )
197{
198        volatile bool conn_lock = false;
199        struct batch_status *volatile status = NULL;
200        pbsdrmaa_session_t *session = (pbsdrmaa_session_t*)self->session;
201        int tries_left = session->max_retries_count;
202        int sleep_time = 1;
203
204        fsd_log_enter(( "({job_id=%s})", self->job_id ));
205       
206        TRY
207         {
208                conn_lock = fsd_mutex_lock( &self->session->drm_connection_mutex );
209retry:
210
211#ifdef PBS_PROFESSIONAL
212                status = pbs_statjob( session->pbs_conn, self->job_id, NULL, NULL );
213#else
214                status = pbs_statjob( session->pbs_conn, self->job_id, session->status_attrl, NULL );
215#endif
216                fsd_log_info(( "pbs_statjob(fd=%d, job_id=%s, attribs={...}) =%p",
217                                 session->pbs_conn, self->job_id, (void*)status ));
218                if( status == NULL )
219                 {
220
221#ifndef PBS_PROFESSIONAL
222                        if ( pbs_errno != PBSE_UNKJOBID )
223                                fsd_log_error(("pbs_statjob error: %d, %s, %s", pbs_errno, pbse_to_txt(pbs_errno), pbs_strerror(pbs_errno)));
224                        else
225                                fsd_log_debug(("pbs_statjob error: %d, %s, %s", pbs_errno, pbse_to_txt(pbs_errno), pbs_strerror(pbs_errno)));
226#else
227#  ifndef PBS_PROFESSIONAL_NO_LOG
228                        if ( pbs_errno != PBSE_UNKJOBID )
229                                fsd_log_error(("pbs_statjob error: %d, %s", pbs_errno, pbse_to_txt(pbs_errno)));
230                        else
231                                fsd_log_debug(("pbs_statjob error: %d, %s", pbs_errno, pbse_to_txt(pbs_errno)));
232#  else
233                        if ( pbs_errno != PBSE_UNKJOBID )
234                                fsd_log_error(("pbs_statjob error: %d", pbs_errno));
235                        else
236                                fsd_log_debug(("pbs_statjob error: %d", pbs_errno));
237#  endif
238#endif
239
240                        switch( pbs_errno )
241                         {
242                                case PBSE_UNKJOBID:
243                                        break;
244                                case PBSE_PROTOCOL:
245                                case PBSE_EXPIRED:
246                                        if ( session->pbs_conn >= 0 )
247                                                pbs_disconnect( session->pbs_conn );
248                                        fsd_log_info(("Protocol error. Reconnecting..."));
249retry_connect:
250                                        sleep(sleep_time++);
251                                        session->pbs_conn = pbs_connect( session->super.contact );
252                                        if( session->pbs_conn < 0 )
253                                         {
254                                                if (tries_left--) {
255                                                        fsd_log_info(("%d tries left. Retrying...", tries_left));
256                                                        goto retry_connect;
257                                                } else {
258                                                        fsd_log_error(("No more tries left... Throwing exception"));
259                                                        pbsdrmaa_exc_raise_pbs( "pbs_connect" );
260                                                }
261                                         }
262                                        else
263                                         {
264                                                goto retry;
265                                         }
266                                default:
267                                        pbsdrmaa_exc_raise_pbs( "pbs_statjob" );
268                                        break;
269                                case 0:  /* ? */
270                                        fsd_exc_raise_code( FSD_ERRNO_INTERNAL_ERROR );
271                                        break;
272                         }
273
274                 }
275
276                conn_lock = fsd_mutex_unlock( &self->session->drm_connection_mutex );
277
278
279                if( status != NULL )
280                 {
281                        ((pbsdrmaa_job_t*)self)->update( self, status );
282                 }
283                else if( self->state < DRMAA_PS_DONE )
284                 {
285                        self->on_missing( self );
286                 }
287         }
288        FINALLY
289         {
290                if( conn_lock )
291                        conn_lock = fsd_mutex_unlock( &self->session->drm_connection_mutex );
292                if( status != NULL )
293                        pbs_statfree( status );
294         }
295        END_TRY
296
297        fsd_log_return((""));
298}
299
300
301void
302pbsdrmaa_job_update( fsd_job_t *self, struct batch_status *status )
303{
304        struct attrl *attribs = status->attribs;
305        struct attrl *i = NULL;
306        char pbs_state = 0;
307        int exit_status = -2;
308        const char *cpu_usage = NULL;
309        const char *mem_usage = NULL;
310        const char *vmem_usage = NULL;
311        const char *walltime = NULL;
312        long unsigned int modify_time = 0;
313
314        fsd_log_enter(( "({job_id=%s})", self->job_id ));
315#ifdef DEBUGGING
316        pbsdrmaa_dump_attrl( attribs, NULL );
317#endif
318        fsd_assert( !strcmp( self->job_id, status->name ) );
319
320        for( i = attribs;  i != NULL;  i = i->next )
321         {
322                int attr;
323                attr = pbsdrmaa_pbs_attrib_by_name( i->name );
324                switch( attr )
325                 {
326                        case PBSDRMAA_ATTR_JOB_STATE:
327                                pbs_state = i->value[0];                               
328                                break;
329                        case PBSDRMAA_ATTR_EXIT_STATUS:
330                                exit_status = fsd_atoi( i->value );
331                                break;
332                        case PBSDRMAA_ATTR_RESOURCES_USED:
333                                if( !strcmp( i->resource, "cput" ) )
334                                        cpu_usage = i->value;
335                                else if( !strcmp( i->resource, "mem" ) )
336                                        mem_usage = i->value;
337                                else if( !strcmp( i->resource, "vmem" ) )
338                                        vmem_usage = i->value;
339                                else if( !strcmp( i->resource, "walltime" ) )
340                                        walltime = i->value;
341                                break;
342                        case PBSDRMAA_ATTR_QUEUE:
343                                if (!self->queue)
344                                        self->queue = fsd_strdup(i->value);
345                                break;
346                        case PBSDRMAA_ATTR_ACCOUNT_NAME:
347                                if (!self->project)
348                                        self->project = fsd_strdup(i->value);
349                                break;
350#ifndef PBS_PROFESSIONAL
351                        case PBSDRMAA_ATTR_EXECUTION_HOST:
352                                if (!self->execution_hosts) {
353                                        fsd_log_debug(("execution_hosts = %s", i->value));
354                                        self->execution_hosts = fsd_strdup(i->value);
355                                }
356                                break;
357#else
358                        case PBSDRMAA_ATTR_EXECUTION_VNODE:
359                                if (!self->execution_hosts) {
360                                        fsd_log_debug(("execution_hosts = %s", i->value));
361                                        self->execution_hosts = fsd_strdup(i->value);
362                                }
363                                break;
364#endif
365                        case PBSDRMAA_ATTR_START_TIME:
366                                {
367                                  long unsigned int start_time;
368                                  if (self->start_time == 0 && sscanf(i->value, "%lu", &start_time) == 1)
369                                        self->start_time = start_time;
370                                  break;
371                                }
372                        case PBSDRMAA_ATTR_MTIME:
373                                if (sscanf(i->value, "%lu", &modify_time) != 1)
374                                        modify_time = 0;
375                                break;
376                 }
377         }
378
379        if( pbs_state )
380                fsd_log_debug(( "pbs_state: %c", pbs_state ));
381
382        if( exit_status != -2 )
383         {
384                fsd_log_debug(( "exit_status: %d", exit_status ));
385                self->exit_status = exit_status;
386         }
387        if(pbs_state){
388                switch( pbs_state )
389                 {
390                        case 'C': /* Job is completed after having run. */
391                                self->flags &= FSD_JOB_TERMINATED_MASK;
392                                self->flags |= FSD_JOB_TERMINATED;
393                                if (exit_status != -2) { /* has exit code */
394                                        if( self->exit_status == 0)
395                                                self->state = DRMAA_PS_DONE;
396                                        else
397                                                self->state = DRMAA_PS_FAILED;
398                                } else {
399                                        self->state = DRMAA_PS_FAILED;
400                                        self->exit_status = -1;
401                                }
402                                if (modify_time != 0)
403                                        self->end_time = modify_time; /* take last modify time as end time */
404                                else
405                                        self->end_time = time(NULL);
406                               
407                                if (self->start_time == 0)
408                                        self->start_time = self->end_time;
409
410                                break;
411                        case 'E': /* Job is exiting after having run. - MM: ignore exiting state (transient state) - outputs might have not been transfered yet,
412                                        MM2: mark job as running if current job status is undetermined - fix "ps after job was ripped" */
413                                if (self->state == DRMAA_PS_UNDETERMINED)
414                                        self->state = DRMAA_PS_RUNNING;
415                                break;
416                        case 'H': /* Job is held. */
417                                self->state = DRMAA_PS_USER_ON_HOLD;
418                                self->flags |= FSD_JOB_HOLD;
419                                break;
420                        case 'Q': /* Job is queued, eligible to run or routed. */
421                        case 'W': /* Job is waiting for its execution time to be reached. */
422                                self->state = DRMAA_PS_QUEUED_ACTIVE;
423                                self->flags &= ~FSD_JOB_HOLD;
424                                break;
425                        case 'R': /* Job is running. */
426                        case 'T': /* Job is being moved to new location (?). */
427                         {
428                                if( self->flags & FSD_JOB_SUSPENDED )
429                                        self->state = DRMAA_PS_USER_SUSPENDED;
430                                else
431                                        self->state = DRMAA_PS_RUNNING;
432                                break;
433                         }
434                        case 'S': /* (Unicos only) job is suspend. */
435                                self->state = DRMAA_PS_SYSTEM_SUSPENDED;
436                                break;
437                        case 0:  default:
438                                self->state = DRMAA_PS_UNDETERMINED;
439                                break;
440         }
441}
442        fsd_log_debug(( "job_ps: %s", drmaa_job_ps_to_str(self->state) ));
443
444         {
445                int hours, minutes, seconds;
446                long mem;
447                if( cpu_usage && sscanf( cpu_usage, "%d:%d:%d", &hours, &minutes, &seconds ) == 3 )
448                 {
449                        self->cpu_usage = 60*( 60*hours + minutes ) + seconds;
450                        fsd_log_debug(( "cpu_usage: %s=%lds", cpu_usage, self->cpu_usage ));
451                 }
452                if( mem_usage && sscanf( mem_usage, "%ldkb", &mem ) == 1 )
453                 {
454                        self->mem_usage = 1024*mem;
455                        fsd_log_debug(( "mem_usage: %s=%ldB", mem_usage, self->mem_usage ));
456                 }
457                if( vmem_usage && sscanf( vmem_usage, "%ldkb", &mem ) == 1 )
458                 {
459                        self->vmem_usage = 1024*mem;
460                        fsd_log_debug(( "vmem_usage: %s=%ldB", vmem_usage, self->vmem_usage ));
461                 }
462                if( walltime && sscanf( walltime, "%d:%d:%d", &hours, &minutes, &seconds ) == 3 )
463                 {
464                        self->walltime = 60*( 60*hours + minutes ) + seconds;
465                        fsd_log_debug(( "walltime: %s=%lds", walltime, self->walltime ));
466                 }
467         }
468}
469
470void
471pbsdrmaa_job_on_missing( fsd_job_t *self )
472{
473        pbsdrmaa_session_t *pbssession = (pbsdrmaa_session_t*)self->session;
474        pbsdrmaa_job_t *pbsself = (pbsdrmaa_job_t *)self;
475       
476        if (!pbsself->missing_time)
477         {
478                pbsself->missing_time = time(NULL);
479         }
480
481        fsd_log_info(("pbsdrmaa_job_on_missing: pbs_home=%s, wait_thread_started=%d, submit_time=%d, missing_time=%d",
482                pbssession->pbs_home,
483                pbssession->super.wait_thread_started,
484                self->submit_time,
485                pbsself->missing_time));
486       
487        #define DRMAA_MAX_MISSING_TIME (30)
488        if( pbssession->pbs_home != NULL && pbssession->super.wait_thread_started && self->submit_time && (time(NULL) - pbsself->missing_time < DRMAA_MAX_MISSING_TIME))
489                fsd_log_info(("Job on missing but WT is running. Skipping...")); /* TODO: try to provide implementation that uses accounting/server log files */
490        else
491                pbsdrmaa_job_on_missing_standard( self );       
492}
493
494void
495pbsdrmaa_job_on_missing_standard( fsd_job_t *self )
496{
497        fsd_drmaa_session_t *session = self->session;
498        pbsdrmaa_session_t *pbssession = (pbsdrmaa_session_t *)session;
499        int exit_status = -1;
500       
501        fsd_log_enter(( "({job_id=%s})", self->job_id ));
502        fsd_log_warning(( "Job %s missing from DRM queue", self->job_id ));
503
504        fsd_log_info(( "job_on_missing: last job_ps: %s (0x%02x)", drmaa_job_ps_to_str(self->state), self->state));
505
506        if( (exit_status = pbsdrmaa_job_read_exit_status(self->job_id, pbssession->job_exit_status_file_prefix)) == 0 )
507        {
508                self->state = DRMAA_PS_DONE;
509                self->exit_status = exit_status;
510        }
511        else
512        {
513                self->state = DRMAA_PS_FAILED;
514                self->exit_status = exit_status;
515        }
516        fsd_log_info(("job_on_missing evaluation result: state=%d exit_status=%d", self->state, self->exit_status));
517
518        fsd_cond_broadcast( &self->status_cond);
519
520        fsd_log_return(( "; job_ps=%s, exit_status=%d", drmaa_job_ps_to_str(self->state), self->exit_status ));
521}
522
523int
524pbsdrmaa_job_read_exit_status( const char *job_id, const char *job_state_dir_prefix)
525{
526        char *status_file = NULL, *start_file = NULL;
527        FILE *fhandle = NULL;
528        int exit_status = -1;
529
530        fsd_log_enter(("({job_id=%s, job_state_dir_prefix=%s})", job_id, job_state_dir_prefix));
531
532        status_file = fsd_asprintf("%s/%s.exitcode", job_state_dir_prefix, job_id);
533        start_file = fsd_asprintf("%s/%s.started", job_state_dir_prefix, job_id);
534
535        if ((fhandle = fopen(status_file, "r")) == NULL)
536         {
537                struct stat tmpstat;
538
539                fsd_log_error(("Failed to open job status file: %s", status_file));
540                if (stat(start_file, &tmpstat) == 0 && (tmpstat.st_mode & S_IFREG))
541                 {
542                        exit_status = 143; /* SIGTERM */
543                        fsd_log_info(("But start file exist %s. Assuming that job was killed (exit_status=%d).", start_file, exit_status));
544                 }
545                else
546                 {
547                        fsd_log_error(("Start file not found: %s", start_file));
548                 }
549       
550
551         }
552        else
553         {
554                (void)fscanf(fhandle, "%d", &exit_status); /*on error exit_status == -1 */
555                fclose(fhandle);
556         }
557
558        fsd_free(status_file);
559        fsd_free(start_file);
560
561        return exit_status;
562}
563
Note: See TracBrowser for help on using the repository browser.