lib/lsf/dispatch.go

   1 // Copyright (C) The Arvados Authors. All rights reserved.
   2 //
   3 // SPDX-License-Identifier: AGPL-3.0
   4
   5 package lsf
   6
   7 import (
   8         "context"
   9         "errors"
  10         "fmt"
  11         "math"
  12         "net/http"
  13         "regexp"
  14         "strings"
  15         "sync"
  16         "time"
  17
  18         "git.arvados.org/arvados.git/lib/cmd"
  19         "git.arvados.org/arvados.git/lib/dispatchcloud"
  20         "git.arvados.org/arvados.git/lib/service"
  21         "git.arvados.org/arvados.git/sdk/go/arvados"
  22         "git.arvados.org/arvados.git/sdk/go/arvadosclient"
  23         "git.arvados.org/arvados.git/sdk/go/auth"
  24         "git.arvados.org/arvados.git/sdk/go/ctxlog"
  25         "git.arvados.org/arvados.git/sdk/go/dispatch"
  26         "git.arvados.org/arvados.git/sdk/go/health"
  27         "github.com/julienschmidt/httprouter"
  28         "github.com/prometheus/client_golang/prometheus"
  29         "github.com/prometheus/client_golang/prometheus/promhttp"
  30         "github.com/sirupsen/logrus"
  31 )
  32
  33 var DispatchCommand cmd.Handler = service.Command(arvados.ServiceNameDispatchLSF, newHandler)
  34
  35 func newHandler(ctx context.Context, cluster *arvados.Cluster, token string, reg *prometheus.Registry) service.Handler {
  36         ac, err := arvados.NewClientFromConfig(cluster)
  37         if err != nil {
  38                 return service.ErrorHandler(ctx, cluster, fmt.Errorf("error initializing client from cluster config: %s", err))
  39         }
  40         d := &dispatcher{
  41                 Cluster:   cluster,
  42                 Context:   ctx,
  43                 ArvClient: ac,
  44                 AuthToken: token,
  45                 Registry:  reg,
  46         }
  47         go d.Start()
  48         return d
  49 }
  50
  51 type dispatcher struct {
  52         Cluster   *arvados.Cluster
  53         Context   context.Context
  54         ArvClient *arvados.Client
  55         AuthToken string
  56         Registry  *prometheus.Registry
  57
  58         logger        logrus.FieldLogger
  59         lsfcli        lsfcli
  60         lsfqueue      lsfqueue
  61         arvDispatcher *dispatch.Dispatcher
  62         httpHandler   http.Handler
  63
  64         initOnce sync.Once
  65         stop     chan struct{}
  66         stopped  chan struct{}
  67 }
  68
  69 // Start starts the dispatcher. Start can be called multiple times
  70 // with no ill effect.
  71 func (disp *dispatcher) Start() {
  72         disp.initOnce.Do(func() {
  73                 disp.init()
  74                 go func() {
  75                         disp.checkLsfQueueForOrphans()
  76                         err := disp.arvDispatcher.Run(disp.Context)
  77                         if err != nil {
  78                                 disp.logger.Error(err)
  79                                 disp.Close()
  80                         }
  81                 }()
  82         })
  83 }
  84
  85 // ServeHTTP implements service.Handler.
  86 func (disp *dispatcher) ServeHTTP(w http.ResponseWriter, r *http.Request) {
  87         disp.Start()
  88         disp.httpHandler.ServeHTTP(w, r)
  89 }
  90
  91 // CheckHealth implements service.Handler.
  92 func (disp *dispatcher) CheckHealth() error {
  93         disp.Start()
  94         select {
  95         case <-disp.stopped:
  96                 return errors.New("stopped")
  97         default:
  98                 return nil
  99         }
 100 }
 101
 102 // Done implements service.Handler.
 103 func (disp *dispatcher) Done() <-chan struct{} {
 104         return disp.stopped
 105 }
 106
 107 // Stop dispatching containers and release resources. Used by tests.
 108 func (disp *dispatcher) Close() {
 109         disp.Start()
 110         select {
 111         case disp.stop <- struct{}{}:
 112         default:
 113         }
 114         <-disp.stopped
 115 }
 116
 117 func (disp *dispatcher) init() {
 118         disp.logger = ctxlog.FromContext(disp.Context)
 119         disp.lsfcli.logger = disp.logger
 120         disp.lsfqueue = lsfqueue{
 121                 logger: disp.logger,
 122                 period: disp.Cluster.Containers.CloudVMs.PollInterval.Duration(),
 123                 lsfcli: &disp.lsfcli,
 124         }
 125         disp.ArvClient.AuthToken = disp.AuthToken
 126         disp.stop = make(chan struct{}, 1)
 127         disp.stopped = make(chan struct{})
 128
 129         arv, err := arvadosclient.New(disp.ArvClient)
 130         if err != nil {
 131                 disp.logger.Fatalf("Error making Arvados client: %v", err)
 132         }
 133         arv.Retries = 25
 134         arv.ApiToken = disp.AuthToken
 135         disp.arvDispatcher = &dispatch.Dispatcher{
 136                 Arv:            arv,
 137                 Logger:         disp.logger,
 138                 BatchSize:      disp.Cluster.API.MaxItemsPerResponse,
 139                 RunContainer:   disp.runContainer,
 140                 PollPeriod:     time.Duration(disp.Cluster.Containers.CloudVMs.PollInterval),
 141                 MinRetryPeriod: time.Duration(disp.Cluster.Containers.MinRetryPeriod),
 142         }
 143
 144         if disp.Cluster.ManagementToken == "" {
 145                 disp.httpHandler = http.HandlerFunc(func(w http.ResponseWriter, r *http.Request) {
 146                         http.Error(w, "Management API authentication is not configured", http.StatusForbidden)
 147                 })
 148         } else {
 149                 mux := httprouter.New()
 150                 metricsH := promhttp.HandlerFor(disp.Registry, promhttp.HandlerOpts{
 151                         ErrorLog: disp.logger,
 152                 })
 153                 mux.Handler("GET", "/metrics", metricsH)
 154                 mux.Handler("GET", "/metrics.json", metricsH)
 155                 mux.Handler("GET", "/_health/:check", &health.Handler{
 156                         Token:  disp.Cluster.ManagementToken,
 157                         Prefix: "/_health/",
 158                         Routes: health.Routes{"ping": disp.CheckHealth},
 159                 })
 160                 disp.httpHandler = auth.RequireLiteralToken(disp.Cluster.ManagementToken, mux)
 161         }
 162 }
 163
 164 func (disp *dispatcher) runContainer(_ *dispatch.Dispatcher, ctr arvados.Container, status <-chan arvados.Container) error {
 165         ctx, cancel := context.WithCancel(disp.Context)
 166         defer cancel()
 167
 168         if ctr.State != dispatch.Locked {
 169                 // already started by prior invocation
 170         } else if _, ok := disp.lsfqueue.Lookup(ctr.UUID); !ok {
 171                 disp.logger.Printf("Submitting container %s to LSF", ctr.UUID)
 172                 cmd := []string{disp.Cluster.Containers.CrunchRunCommand}
 173                 cmd = append(cmd, "--runtime-engine="+disp.Cluster.Containers.RuntimeEngine)
 174                 cmd = append(cmd, disp.Cluster.Containers.CrunchRunArgumentsList...)
 175                 err := disp.submit(ctr, cmd)
 176                 if err != nil {
 177                         return err
 178                 }
 179         }
 180
 181         disp.logger.Printf("Start monitoring container %v in state %q", ctr.UUID, ctr.State)
 182         defer disp.logger.Printf("Done monitoring container %s", ctr.UUID)
 183
 184         go func(uuid string) {
 185                 cancelled := false
 186                 for ctx.Err() == nil {
 187                         qent, ok := disp.lsfqueue.Lookup(uuid)
 188                         if !ok {
 189                                 // If the container disappears from
 190                                 // the lsf queue, there is no point in
 191                                 // waiting for further dispatch
 192                                 // updates: just clean up and return.
 193                                 disp.logger.Printf("container %s job disappeared from LSF queue", uuid)
 194                                 cancel()
 195                                 return
 196                         }
 197                         if !cancelled && qent.Stat == "PEND" && strings.Contains(qent.PendReason, "There are no suitable hosts for the job") {
 198                                 disp.logger.Printf("container %s: %s", uuid, qent.PendReason)
 199                                 err := disp.arvDispatcher.Arv.Update("containers", uuid, arvadosclient.Dict{
 200                                         "container": map[string]interface{}{
 201                                                 "runtime_status": map[string]string{
 202                                                         "error": qent.PendReason,
 203                                                 },
 204                                         },
 205                                 }, nil)
 206                                 if err != nil {
 207                                         disp.logger.Printf("error setting runtime_status on %s: %s", uuid, err)
 208                                         continue // retry
 209                                 }
 210                                 err = disp.arvDispatcher.UpdateState(uuid, dispatch.Cancelled)
 211                                 if err != nil {
 212                                         continue // retry (UpdateState() already logged the error)
 213                                 }
 214                                 cancelled = true
 215                         }
 216                 }
 217         }(ctr.UUID)
 218
 219         for done := false; !done; {
 220                 select {
 221                 case <-ctx.Done():
 222                         // Disappeared from lsf queue
 223                         if err := disp.arvDispatcher.Arv.Get("containers", ctr.UUID, nil, &ctr); err != nil {
 224                                 disp.logger.Printf("error getting final container state for %s: %s", ctr.UUID, err)
 225                         }
 226                         switch ctr.State {
 227                         case dispatch.Running:
 228                                 disp.arvDispatcher.UpdateState(ctr.UUID, dispatch.Cancelled)
 229                         case dispatch.Locked:
 230                                 disp.arvDispatcher.Unlock(ctr.UUID)
 231                         }
 232                         return nil
 233                 case updated, ok := <-status:
 234                         if !ok {
 235                                 // status channel is closed, which is
 236                                 // how arvDispatcher tells us to stop
 237                                 // touching the container record, kill
 238                                 // off any remaining LSF processes,
 239                                 // etc.
 240                                 done = true
 241                                 break
 242                         }
 243                         if updated.State != ctr.State {
 244                                 disp.logger.Infof("container %s changed state from %s to %s", ctr.UUID, ctr.State, updated.State)
 245                         }
 246                         ctr = updated
 247                         if ctr.Priority < 1 {
 248                                 disp.logger.Printf("container %s has state %s, priority %d: cancel lsf job", ctr.UUID, ctr.State, ctr.Priority)
 249                                 disp.bkill(ctr)
 250                         } else {
 251                                 disp.lsfqueue.SetPriority(ctr.UUID, int64(ctr.Priority))
 252                         }
 253                 }
 254         }
 255         disp.logger.Printf("container %s is done", ctr.UUID)
 256
 257         // Try "bkill" every few seconds until the LSF job disappears
 258         // from the queue.
 259         ticker := time.NewTicker(disp.Cluster.Containers.CloudVMs.PollInterval.Duration() / 2)
 260         defer ticker.Stop()
 261         for qent, ok := disp.lsfqueue.Lookup(ctr.UUID); ok; _, ok = disp.lsfqueue.Lookup(ctr.UUID) {
 262                 err := disp.lsfcli.Bkill(qent.ID)
 263                 if err != nil {
 264                         disp.logger.Warnf("%s: bkill(%s): %s", ctr.UUID, qent.ID, err)
 265                 }
 266                 <-ticker.C
 267         }
 268         return nil
 269 }
 270
 271 func (disp *dispatcher) submit(container arvados.Container, crunchRunCommand []string) error {
 272         // Start with an empty slice here to ensure append() doesn't
 273         // modify crunchRunCommand's underlying array
 274         var crArgs []string
 275         crArgs = append(crArgs, crunchRunCommand...)
 276         crArgs = append(crArgs, container.UUID)
 277         crScript := execScript(crArgs)
 278
 279         bsubArgs, err := disp.bsubArgs(container)
 280         if err != nil {
 281                 return err
 282         }
 283         return disp.lsfcli.Bsub(crScript, bsubArgs, disp.ArvClient)
 284 }
 285
 286 func (disp *dispatcher) bkill(ctr arvados.Container) {
 287         if qent, ok := disp.lsfqueue.Lookup(ctr.UUID); !ok {
 288                 disp.logger.Debugf("bkill(%s): redundant, job not in queue", ctr.UUID)
 289         } else if err := disp.lsfcli.Bkill(qent.ID); err != nil {
 290                 disp.logger.Warnf("%s: bkill(%s): %s", ctr.UUID, qent.ID, err)
 291         }
 292 }
 293
 294 func (disp *dispatcher) bsubArgs(container arvados.Container) ([]string, error) {
 295         args := []string{"bsub"}
 296
 297         tmp := int64(math.Ceil(float64(dispatchcloud.EstimateScratchSpace(&container)) / 1048576))
 298         vcpus := container.RuntimeConstraints.VCPUs
 299         mem := int64(math.Ceil(float64(container.RuntimeConstraints.RAM+
 300                 container.RuntimeConstraints.KeepCacheRAM+
 301                 int64(disp.Cluster.Containers.ReserveExtraRAM)) / 1048576))
 302
 303         repl := map[string]string{
 304                 "%%": "%",
 305                 "%C": fmt.Sprintf("%d", vcpus),
 306                 "%M": fmt.Sprintf("%d", mem),
 307                 "%T": fmt.Sprintf("%d", tmp),
 308                 "%U": container.UUID,
 309                 "%G": fmt.Sprintf("%d", container.RuntimeConstraints.CUDA.DeviceCount),
 310         }
 311
 312         re := regexp.MustCompile(`%.`)
 313         var substitutionErrors string
 314         argumentTemplate := disp.Cluster.Containers.LSF.BsubArgumentsList
 315         if container.RuntimeConstraints.CUDA.DeviceCount > 0 {
 316                 argumentTemplate = append(argumentTemplate, disp.Cluster.Containers.LSF.BsubCUDAArguments...)
 317         }
 318         for _, a := range argumentTemplate {
 319                 args = append(args, re.ReplaceAllStringFunc(a, func(s string) string {
 320                         subst := repl[s]
 321                         if len(subst) == 0 {
 322                                 substitutionErrors += fmt.Sprintf("Unknown substitution parameter %s in BsubArgumentsList, ", s)
 323                         }
 324                         return subst
 325                 }))
 326         }
 327         if len(substitutionErrors) != 0 {
 328                 return nil, fmt.Errorf("%s", substitutionErrors[:len(substitutionErrors)-2])
 329         }
 330
 331         if u := disp.Cluster.Containers.LSF.BsubSudoUser; u != "" {
 332                 args = append([]string{"sudo", "-E", "-u", u}, args...)
 333         }
 334         return args, nil
 335 }
 336
 337 // Check the next bjobs report, and invoke TrackContainer for all the
 338 // containers in the report. This gives us a chance to cancel existing
 339 // Arvados LSF jobs (started by a previous dispatch process) that
 340 // never released their LSF job allocations even though their
 341 // container states are Cancelled or Complete. See
 342 // https://dev.arvados.org/issues/10979
 343 func (disp *dispatcher) checkLsfQueueForOrphans() {
 344         containerUuidPattern := regexp.MustCompile(`^[a-z0-9]{5}-dz642-[a-z0-9]{15}$`)
 345         for _, uuid := range disp.lsfqueue.All() {
 346                 if !containerUuidPattern.MatchString(uuid) || !strings.HasPrefix(uuid, disp.Cluster.ClusterID) {
 347                         continue
 348                 }
 349                 err := disp.arvDispatcher.TrackContainer(uuid)
 350                 if err != nil {
 351                         disp.logger.Warnf("checkLsfQueueForOrphans: TrackContainer(%s): %s", uuid, err)
 352                 }
 353         }
 354 }
 355
 356 func execScript(args []string) []byte {
 357         s := "#!/bin/sh\nexec"
 358         for _, w := range args {
 359                 s += ` '`
 360                 s += strings.Replace(w, `'`, `'\''`, -1)
 361                 s += `'`
 362         }
 363         return []byte(s + "\n")
 364 }