source: trunk/pbs_drmaa/job.c @ 71

Revision 71, 16.4 KB checked in by mmamonski, 12 years ago (diff)

PBS Pro PBSE_HISTJOBID handled properlly

  • 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 == PBSOLDE_PROTOCOL || rc == PBSE_EXPIRED || rc == PBSOLDE_EXPIRED) && (tries_left--))
155                         {
156                                if (rc == PBSE_PROTOCOL || rc == PBSE_EXPIRED || rc == PBSOLDE_PROTOCOL || rc == PBSOLDE_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                if (session->pbs_conn < 0) {
211                        fsd_log_info(("No connection with pbs. Reconnecting"));
212                        goto retry_connect;
213                }
214
215
216#ifdef PBS_PROFESSIONAL
217                status = pbs_statjob( session->pbs_conn, self->job_id, NULL, NULL );
218#else
219                status = pbs_statjob( session->pbs_conn, self->job_id, session->status_attrl, NULL );
220#endif
221                fsd_log_info(( "pbs_statjob(fd=%d, job_id=%s, attribs={...}) =%p",
222                                 session->pbs_conn, self->job_id, (void*)status ));
223                if( status == NULL )
224                 {
225
226#ifndef PBS_PROFESSIONAL
227                        if ( pbs_errno != PBSE_UNKJOBID )
228                                fsd_log_error(("pbs_statjob error: %d, %s, %s", pbs_errno, pbse_to_txt(pbs_errno), pbs_strerror(pbs_errno)));
229                        else
230                                fsd_log_debug(("pbs_statjob error: %d, %s, %s", pbs_errno, pbse_to_txt(pbs_errno), pbs_strerror(pbs_errno)));
231#else
232#  ifndef PBS_PROFESSIONAL_NO_LOG
233                        if ( pbs_errno != PBSE_UNKJOBID && pbs_errno != PBSE_HISTJOBID )
234                                fsd_log_error(("pbs_statjob error: %d, %s", pbs_errno, pbse_to_txt(pbs_errno)));
235                        else
236                                fsd_log_debug(("pbs_statjob error: %d, %s", pbs_errno, pbse_to_txt(pbs_errno)));
237#  else
238                        if ( pbs_errno != PBSE_UNKJOBID && pbs_errno != PBSE_HISTJOBID )
239                                fsd_log_error(("pbs_statjob error: %d", pbs_errno));
240                        else
241                                fsd_log_debug(("pbs_statjob error: %d", pbs_errno));
242#  endif
243#endif
244
245                        switch( pbs_errno )
246                         {
247                                case PBSE_UNKJOBID:
248#ifdef PBS_PROFESSIONAL
249                                case PBSE_HISTJOBID:
250#endif
251                                        break;
252                                case PBSE_PROTOCOL:
253#if PBSOLDE_PROTOCOL != PBSE_PROTOCOL
254                                case PBSOLDE_PROTOCOL:
255#endif
256                                case PBSE_EXPIRED:
257#if PBSOLDE_EXPIRED != PBSE_EXPIRED
258                                case PBSOLDE_EXPIRED:
259#endif
260                                        if ( session->pbs_conn >= 0 )
261                                                pbs_disconnect( session->pbs_conn );
262                                        fsd_log_info(("Protocol error. Reconnecting..."));
263retry_connect:
264                                        sleep(sleep_time++);
265                                        session->pbs_conn = pbs_connect( session->super.contact );
266                                        if( session->pbs_conn < 0 )
267                                         {
268                                                if (tries_left--) {
269                                                        fsd_log_info(("Retrying... (%d tries left)", tries_left));
270                                                        goto retry_connect;
271                                                } else {
272                                                        fsd_log_error(("No more tries left... Throwing exception"));
273                                                        pbsdrmaa_exc_raise_pbs( "pbs_connect" );
274                                                }
275                                         }
276                                        else
277                                         {
278                                                goto retry;
279                                         }
280                                default:
281                                        pbsdrmaa_exc_raise_pbs( "pbs_statjob" );
282                                        break;
283                                case 0:  /* ? */
284                                        fsd_exc_raise_code( FSD_ERRNO_INTERNAL_ERROR );
285                                        break;
286                         }
287
288                 }
289
290                conn_lock = fsd_mutex_unlock( &self->session->drm_connection_mutex );
291
292
293                if( status != NULL )
294                 {
295                        ((pbsdrmaa_job_t*)self)->update( self, status );
296                 }
297                else if( self->state < DRMAA_PS_DONE )
298                 {
299                        self->on_missing( self );
300                 }
301         }
302        FINALLY
303         {
304                if( conn_lock )
305                        conn_lock = fsd_mutex_unlock( &self->session->drm_connection_mutex );
306                if( status != NULL )
307                        pbs_statfree( status );
308         }
309        END_TRY
310
311        fsd_log_return((""));
312}
313
314
315void
316pbsdrmaa_job_update( fsd_job_t *self, struct batch_status *status )
317{
318        struct attrl *attribs = status->attribs;
319        struct attrl *i = NULL;
320        char pbs_state = 0;
321        int exit_status = -2;
322        const char *cpu_usage = NULL;
323        const char *mem_usage = NULL;
324        const char *vmem_usage = NULL;
325        const char *walltime = NULL;
326        long unsigned int modify_time = 0;
327
328        fsd_log_enter(( "({job_id=%s})", self->job_id ));
329#ifdef DEBUGGING
330        pbsdrmaa_dump_attrl( attribs, NULL );
331#endif
332        fsd_assert( !strcmp( self->job_id, status->name ) );
333
334        for( i = attribs;  i != NULL;  i = i->next )
335         {
336                int attr;
337                attr = pbsdrmaa_pbs_attrib_by_name( i->name );
338                switch( attr )
339                 {
340                        case PBSDRMAA_ATTR_JOB_STATE:
341                                pbs_state = i->value[0];                               
342                                break;
343                        case PBSDRMAA_ATTR_EXIT_STATUS:
344                                exit_status = fsd_atoi( i->value );
345                                break;
346                        case PBSDRMAA_ATTR_RESOURCES_USED:
347                                if( !strcmp( i->resource, "cput" ) )
348                                        cpu_usage = i->value;
349                                else if( !strcmp( i->resource, "mem" ) )
350                                        mem_usage = i->value;
351                                else if( !strcmp( i->resource, "vmem" ) )
352                                        vmem_usage = i->value;
353                                else if( !strcmp( i->resource, "walltime" ) )
354                                        walltime = i->value;
355                                break;
356                        case PBSDRMAA_ATTR_QUEUE:
357                                if (!self->queue)
358                                        self->queue = fsd_strdup(i->value);
359                                break;
360                        case PBSDRMAA_ATTR_ACCOUNT_NAME:
361                                if (!self->project)
362                                        self->project = fsd_strdup(i->value);
363                                break;
364#ifndef PBS_PROFESSIONAL
365                        case PBSDRMAA_ATTR_EXECUTION_HOST:
366                                if (!self->execution_hosts) {
367                                        fsd_log_debug(("execution_hosts = %s", i->value));
368                                        self->execution_hosts = fsd_strdup(i->value);
369                                }
370                                break;
371#else
372                        case PBSDRMAA_ATTR_EXECUTION_VNODE:
373                                if (!self->execution_hosts) {
374                                        fsd_log_debug(("execution_hosts = %s", i->value));
375                                        self->execution_hosts = fsd_strdup(i->value);
376                                }
377                                break;
378#endif
379                        case PBSDRMAA_ATTR_START_TIME:
380                                {
381                                  long unsigned int start_time;
382                                  if (self->start_time == 0 && sscanf(i->value, "%lu", &start_time) == 1)
383                                        self->start_time = start_time;
384                                  break;
385                                }
386                        case PBSDRMAA_ATTR_MTIME:
387                                if (sscanf(i->value, "%lu", &modify_time) != 1)
388                                        modify_time = 0;
389                                break;
390                 }
391         }
392
393        if( pbs_state )
394                fsd_log_debug(( "pbs_state: %c", pbs_state ));
395
396        if( exit_status != -2 )
397         {
398                fsd_log_debug(( "exit_status: %d", exit_status ));
399                self->exit_status = exit_status;
400         }
401        if(pbs_state){
402                switch( pbs_state )
403                 {
404                        case 'C': /* Job is completed after having run. */
405                                self->flags &= FSD_JOB_TERMINATED_MASK;
406                                self->flags |= FSD_JOB_TERMINATED;
407                                if (exit_status != -2) { /* has exit code */
408                                        if( self->exit_status == 0)
409                                                self->state = DRMAA_PS_DONE;
410                                        else
411                                                self->state = DRMAA_PS_FAILED;
412                                } else {
413                                        self->state = DRMAA_PS_FAILED;
414                                        self->exit_status = -1;
415                                }
416                                if (modify_time != 0)
417                                        self->end_time = modify_time; /* take last modify time as end time */
418                                else
419                                        self->end_time = time(NULL);
420                               
421                                if (self->start_time == 0)
422                                        self->start_time = self->end_time;
423
424                                break;
425                        case 'E': /* Job is exiting after having run. - MM: ignore exiting state (transient state) - outputs might have not been transfered yet,
426                                        MM2: mark job as running if current job status is undetermined - fix "ps after job was ripped" */
427                                if (self->state == DRMAA_PS_UNDETERMINED)
428                                        self->state = DRMAA_PS_RUNNING;
429                                break;
430                        case 'H': /* Job is held. */
431                                self->state = DRMAA_PS_USER_ON_HOLD;
432                                self->flags |= FSD_JOB_HOLD;
433                                break;
434                        case 'Q': /* Job is queued, eligible to run or routed. */
435                        case 'W': /* Job is waiting for its execution time to be reached. */
436                                self->state = DRMAA_PS_QUEUED_ACTIVE;
437                                self->flags &= ~FSD_JOB_HOLD;
438                                break;
439                        case 'R': /* Job is running. */
440                        case 'T': /* Job is being moved to new location (?). */
441                         {
442                                if( self->flags & FSD_JOB_SUSPENDED )
443                                        self->state = DRMAA_PS_USER_SUSPENDED;
444                                else
445                                        self->state = DRMAA_PS_RUNNING;
446                                break;
447                         }
448                        case 'S': /* (Unicos only) job is suspend. */
449                                self->state = DRMAA_PS_SYSTEM_SUSPENDED;
450                                break;
451                        case 0:  default:
452                                self->state = DRMAA_PS_UNDETERMINED;
453                                break;
454         }
455}
456        fsd_log_debug(( "job_ps: %s", drmaa_job_ps_to_str(self->state) ));
457
458         {
459                int hours, minutes, seconds;
460                long mem;
461                if( cpu_usage && sscanf( cpu_usage, "%d:%d:%d", &hours, &minutes, &seconds ) == 3 )
462                 {
463                        self->cpu_usage = 60*( 60*hours + minutes ) + seconds;
464                        fsd_log_debug(( "cpu_usage: %s=%lds", cpu_usage, self->cpu_usage ));
465                 }
466                if( mem_usage && sscanf( mem_usage, "%ldkb", &mem ) == 1 )
467                 {
468                        self->mem_usage = 1024*mem;
469                        fsd_log_debug(( "mem_usage: %s=%ldB", mem_usage, self->mem_usage ));
470                 }
471                if( vmem_usage && sscanf( vmem_usage, "%ldkb", &mem ) == 1 )
472                 {
473                        self->vmem_usage = 1024*mem;
474                        fsd_log_debug(( "vmem_usage: %s=%ldB", vmem_usage, self->vmem_usage ));
475                 }
476                if( walltime && sscanf( walltime, "%d:%d:%d", &hours, &minutes, &seconds ) == 3 )
477                 {
478                        self->walltime = 60*( 60*hours + minutes ) + seconds;
479                        fsd_log_debug(( "walltime: %s=%lds", walltime, self->walltime ));
480                 }
481         }
482}
483
484void
485pbsdrmaa_job_on_missing( fsd_job_t *self )
486{
487        pbsdrmaa_session_t *pbssession = (pbsdrmaa_session_t*)self->session;
488        pbsdrmaa_job_t *pbsself = (pbsdrmaa_job_t *)self;
489       
490        if (!pbsself->missing_time)
491         {
492                pbsself->missing_time = time(NULL);
493         }
494
495        fsd_log_info(("pbsdrmaa_job_on_missing: pbs_home=%s, wait_thread_started=%d, submit_time=%d, missing_time=%d",
496                pbssession->pbs_home,
497                pbssession->super.wait_thread_started,
498                (int)self->submit_time,
499                (int)pbsself->missing_time));
500       
501        #define DRMAA_MAX_MISSING_TIME (30)
502        if( pbssession->pbs_home != NULL && pbssession->super.wait_thread_started && self->submit_time && (time(NULL) - pbsself->missing_time < DRMAA_MAX_MISSING_TIME))
503                fsd_log_info(("Job on missing but WT is running. Skipping...")); /* TODO: try to provide implementation that uses accounting/server log files */
504        else
505                pbsdrmaa_job_on_missing_standard( self );       
506}
507
508void
509pbsdrmaa_job_on_missing_standard( fsd_job_t *self )
510{
511        fsd_drmaa_session_t *session = self->session;
512        pbsdrmaa_session_t *pbssession = (pbsdrmaa_session_t *)session;
513        int exit_status = -1;
514       
515        fsd_log_enter(( "({job_id=%s})", self->job_id ));
516        fsd_log_warning(( "Job %s missing from DRM queue", self->job_id ));
517
518        fsd_log_info(( "job_on_missing: last job_ps: %s (0x%02x)", drmaa_job_ps_to_str(self->state), self->state));
519
520        if( (exit_status = pbsdrmaa_job_read_exit_status(self->job_id, pbssession->job_exit_status_file_prefix)) == 0 )
521        {
522                self->state = DRMAA_PS_DONE;
523                self->exit_status = exit_status;
524        }
525        else
526        {
527                self->state = DRMAA_PS_FAILED;
528                self->exit_status = exit_status;
529        }
530        fsd_log_info(("job_on_missing evaluation result: state=%d exit_status=%d", self->state, self->exit_status));
531
532        fsd_cond_broadcast( &self->status_cond);
533        fsd_cond_broadcast( &self->session->wait_condition );
534
535        fsd_log_return(( "; job_ps=%s, exit_status=%d", drmaa_job_ps_to_str(self->state), self->exit_status ));
536}
537
538int
539pbsdrmaa_job_read_exit_status( const char *job_id, const char *job_state_dir_prefix)
540{
541        char *status_file = NULL, *start_file = NULL;
542        FILE *fhandle = NULL;
543        int exit_status = -1;
544
545        fsd_log_enter(("({job_id=%s, job_state_dir_prefix=%s})", job_id, job_state_dir_prefix));
546
547        status_file = fsd_asprintf("%s/%s.exitcode", job_state_dir_prefix, job_id);
548        start_file = fsd_asprintf("%s/%s.started", job_state_dir_prefix, job_id);
549
550        if ((fhandle = fopen(status_file, "r")) == NULL)
551         {
552                struct stat tmpstat;
553
554                fsd_log_error(("Failed to open job status file: %s", status_file));
555                if (stat(start_file, &tmpstat) == 0 && (tmpstat.st_mode & S_IFREG))
556                 {
557                        exit_status = 143; /* SIGTERM */
558                        fsd_log_info(("But start file exist %s. Assuming that job was killed (exit_status=%d).", start_file, exit_status));
559                 }
560                else
561                 {
562                        fsd_log_error(("Start file not found: %s", start_file));
563                 }
564       
565
566         }
567        else
568         {
569                (void)fscanf(fhandle, "%d", &exit_status); /*on error exit_status == -1 */
570                fclose(fhandle);
571         }
572
573        fsd_free(status_file);
574        fsd_free(start_file);
575
576        return exit_status;
577}
578
Note: See TracBrowser for help on using the repository browser.