2、提前预测作业状态，避免失败风险

提前预测作业状态，避免失败风险

1. 作业状态概述

作业状态指的是作业退出集群系统的模式。Parallel Workloads Archive (PWA)定义了四种作业状态：
- 成功完成的作业
- 失败的作业
- 用户取消的作业
- 系统取消的作业

失败的作业通常由于编程错误或预留资源耗尽而提前完成。用户可取消正在运行或等待执行的作业，一般是在作业的中间结果表明无需继续执行，或者存在明显配置错误的情况下。系统取消作业的原因众多，常见的是作业超出用户请求的运行时间。

不同计算机集群中，作业状态的分布有所不同。例如，只有HPC2N - 2002工作负载仅包含成功完成的作业；在部分工作负载中，用户取消的作业占总运行时间的比例最高达8%；SDSC - BLUE - 2000和SDSC - SP2 - 1998工作负载中，系统取消的作业分别占总运行时间的20%和30%；在七个计算机集群中出现了失败的作业，LLNL - Atlas - 2006上失败作业甚至占用了超过50%的总运行时间。

2. 作业状态预测的意义与挑战

通过分析集群使用历史，可以对作业状态进行预测。但由于无法实现完美的状态预测率，在使用预测的作业状态时需谨慎，以确保集群调度器的预期行为。

成功的作业状态预测有诸多潜在好处：
- 针对可能失败的作业 ：提高其优先级，使其更早执行，让用户能更快处理故障并重新提交作业。用户还能识别可能出现相同故障的类似作业并提前取消，避免失败作业的执行，提高集群效率。不过，这可能存在恶意用户歪曲作业状态以获取更好服务的风险。
-