Update updates.md
[ccm-docs.git] / docs / updates.md
blob3f0789d204b8aad9443ca6f970cb2790a6f0a72d
1 # Updates
3 Please contact jan.mandel@ucdenver.edu with any questions.
5 Our goal is to get the maximum performance the hardware and the cooling allow. When Alderaan CPUs get too hot, they are slowed down to avoid heat damage. If temperature increases further, all alderaan nodes shut down automatically.
8 ### 2024/10/21 
10 * 11am Partial downtime. Several nodes need to have their thermal profile lowered to reduce overeheating. The nodes currently cycle the CPU governor settings profile automatically in response to excessive CPU temperatures, which results in inconsistent performance.
12 * 1pm Maintetance completed. The thermal design profiles of several nodes were decreased to 180W or less in few cases. One failed drive in math-alderaan-s02 disk array was replaced. Operations normal.  
14 ### 2024/10/16
16 * Please use math-alderaan as the login node. The legacy login node `clas-compute` may give ssh errors or not respond at all.
17 * Several nodes are draining or in drain state to prepare for maintenance Monday 2024/10/21.
19 ### 2024/09/24
21 * 7pm Several nodes inaccessible or down after an earlier network outage.
22 * 9pm All alderaan and score nodes normal.
24 ### 2024/09/11
26 * Matlab working now. Reason: the license server has changed.
28 ### 2024/09/10
30 * Matlab license not working.
32 ### 2024/07/25
34 * Nodes math-alderaan-c[02,13,24] had issues that made at least some jobs allocated to them fail, sometimes with no files created. 
35   Reason: time synchronization. Fixed.
37 ### 2024/07/12
39 * **Storage migration in progress - please do not add or modify large volume of files in /home and /storage** The /home and /storage directories are on a slower legacy file server and commands (like conda) and jobs using files there are getting stuck at times. For this reason, I have been migrating /home and /storage to high-performance Alderaan disk arrays over the last few months. It takes up to a day to synchronize /home and /storage with their new location even if nothing changed, plus a few hours for every hundred GB in new or modified files. The final synchronization and the switch to the new location will be done in a scheduled downtime (to be announced soon) on quiet data.  **A large volume of new or modified files in /home and /storage will make the downtime longer.** Deleting or moving files away is OK, and smaller changes are OK too. You are welcome to keep running jobs, I'd just like to encourage you to write new files to your directory in /data001/projects; the easiest may be to run your jobs from there.
41 ### 2024/07/01
43 * The downtime ended, all should be normal. There will need to be continuation, which will be announced in due course.
45 ### 2024/06/28
47 PLANNED DOWNTIME FRIDAY 6/28 starting at 6pm
49 * The /home directories are being migrated to a higher performace storage to fix issues such as processes in indefinite D (disk wait) state, which has been making slurm jobs and conda stuck in many cases. 
50     This last phase of the migration requires a quiet system to transfer the last changes and switch the storage. Therefore, **all logins will be blocked and all Slurm jobs cancelled when the downtime starts.**
52 * Submission of new slurm jobs will be turned off from Thursday 6/27/2024 6 pm
54 * To help keep the downtime shorter, please avoid creating or modifying large files or a large number of files in your home directory. Use your directory in /data001/projects instead.
56 ### 2024/06/27
58 * Matlab license fixed
59 * **All partitions will be marked down at 6pm in preparation of the scheduled downtime tomorrow**
61 ### 2024/06/26
63 * MATLAB license not working again
65 ### 2024/06/24
67 * MATLAB not working because it cannot contact license server. Investigating.
68   - Update: fixed
69 * SLURM job submission may not work. Existing jobs should not be affected. Investigating.
70   - Update: the issue produces warnings but job submission now appears normal.
72 ### 2024/04/26
74 * 10am-12pm Planned maintenance time for network testing and configuration. From about 9am, logins will be disabled, partitions stopped, and running jobs suspended or cancelled. Some nodes may be rebooted. Suspended jobs may be able to continue after the maintenance ends, but it is not guaranteed.
76 * 3pm Maintenance completed. Please let me know if you see any errors.
78 ### 2024/04/12
80 * 2:30pm Files  in /home and /storage mounts dropped on randomly changing compute nodes. Investigating. All partitions are stopped, no new jobs will start. Existing jobs are allowed to continue, though they may have a difficulty doing so.
81 * 5pm All nodes were rebooted and the issue has resolved. All partition queues started.
83 ### 2024/04/11
85 * 4pm Slurm is down. Investigating.
86 * 7pm Fixed
87 * Users' directories in /data001/projects were moved to /data002/projects because of issues with /data001 and replaced by soft links to the new locations. Therefore, the original location shows the same files and it can still be used. No action required at this point.
89 ### 2024/04/10
91 * **Maintenance is planned from 11am**
92 Several nodes are draining and partition math-alderaan-short is not accepting jobs. Nodes which become available will be rebooted.
94 ### 2024/03/26
96 * **Maintenance is planned  for Tuesday 3/26 from 10am.**
97 The math-alderaan partition will keep running, but only on a subset of nodes, which will be
98 shrinking as idle nodes become reserved for the upcoming maintance. I will try to maintain at least one idle node for new jobs.
99 The math-alderaan-short and math-alderaan-gpu-short partitions will not accept new jobs starting Monday 3/25 10am so that any jobs running on them can finish within the 1 day partition limits.
100 The math-alderaan-gpu partition is not not accepting any new jobs until maintenance is complete.
101 No jobs will be cancelled.
103 * Node math-alderaan-c30 has a bad memory slot and runs with memory reduced to 480GB. It will not be allocated to jobs and currently is reserved for system service.
105 ### 2024/03/21
107 * **Alderaan maintenance planned** From about 10am, nodes which become idle will be rebooted to update their CPU power and heat settings further and returned to operation one by one. The rest of the nodes with jobs running on them will be updated later. No jobs will be cancelled. 
109 ### 2024/03/20
111 * 10:45pm All nodes are currently draining and no jobs can start on them to prepare for maintenance tomorrow.
113 * Node math-alderaan-c06 is down and being sent for repair.
115 ### 2024/03/18
117 * **3pm Alderaan maintenance completed**.  math-alderaan-c[02,14] are still draining and will have their heat envelope reset when they and I become available at the same time. math-alderaan-c06 has a bad memory board and will be down until fixed. All other nodes are available. Please let me know if you note anything odd.
119 ### 2024/03/15
121 **Alderaan maintenance in progress**. I am decreasing a maximum generated heat setting (called TDP) on all Alderaan CPUs. This should decrease the switching of 
123 * the CPUs to a slower power saving mode when they overheat, and thus result in smoother and more reliable operation within the available cooling capacity. 
124 The change was already done on Alderaan nodes c01 c05 c11 c31 c32, which will keep running normally. Currently, no new jobs can start on any remaining Alderaan nodes, including GPU nodes, but existing jobs are allowed to complete. Alderaan nodes that will have no jobs running on them by Monday 3/18 will be rebooted and have their TDP reset. All Alderaan nodes are expected to be available by the end of the day. No jobs will be cancelled.
125 If you need to run something urgently between now and Monday and the large number of unavailable nodes is a problem, please let me know.
127 ### 2024/03/13
129 * 16 nodes are currently draining. When jobs on them end, no new jobs will start.
130 The plan is to have at least 10 nodes with no jobs running on them available for
131 maintenance planned 2024/03/18.  
133 ### 2024/03/11
135 Singularity containers workshop 11am in SCB 4017.
137 ### 2024/03/04
139 * 08:12am Login to math-alderaan.ucdenver.pvt does not work. Investigating. Please use clas-compute.ucdenver.edu to submit and access slurm jobs for now.
140 * Rebooted, all normal.
142 ### 2024/02/24
144 * Added a switch to CPU power saving mode in case of overheating, as an intermediate step before suspending nodes, which should be happening only rarely now.
146 ### 2024/01/26
148 * Added an independent monitor with 3 levels of emergency shutdown in case of datacenter overheating: 1. suspend all jobs 2. graceful shutdown of all compute and storage nodes  3. complete poweroff (not reversible remotely)
150 ### 2024/01/25
152 * 10:30am All alderaan nodes are powered up. Held jobs released and running.
154 ### 2024/01/21
156 * 11:30am The head nodes math-alderaan and clas-compute are up. User files are accessible. Score nodes are available but alderaan nodes are down until further notice.
158 ### 2024/01/20
160 * 02:00pm All systems shut down because of datacenter cooling issue.
162 ### 2023/12/02
164 We are currently undergoing some important updates and maintenance on our HPC system. Here’s what you need to know:
166 * **Slurm Reconfiguration:** This is in progress to enhance job isolation and scheduling. Jobs currently running will remain unaffected. However, there might be temporary changes in the behavior when submitting new jobs. Please report any unexpected issues.
168 * **GPU Nodes Update:** The nodes math-alderaan-h[01-02] are temporarily offline for testing and configuration. During this period, no new jobs will be started on these nodes.
170 * **Memory Board Replacement:** Nodes math-alderaan-c[29-32] are being prepared for maintenance due to a faulty memory board on math-alderaan-c29. These nodes will be powered down for the installation of a replacement memory board when it is received. New jobs will not start on these nodes until the maintenance is complete.
172 * **Heat Diagnostics:** Nodes math-alderaan-c[01,05,07,10] are currently offline for heat diagnostics. No jobs can be initiated on these nodes during this period.
174 * **Access Restrictions:** As a reminder, please avoid SSH access directly to any nodes, especially those that are currently drained or draining.
176 We appreciate your understanding and cooperation during this maintenance phase. Our goal is to ensure a more robust and efficient HPC environment for all users. Thank you for your patience.
178 ### 2023/10/19
180 * 08:30am Head node math-alderan stuck, rebooted.
182 ### 2023/09/27
184 * 08:50pm Head node math-alderan stuck, rebooted.
186 ### 2023/09/21
188 * Workshop: An Introduction to Computing on the Cluster (11AM-12PM in UC Denver SCB 4125)
190 * All math-alderaan nodes returned to service after the workshop except 01 02 05 07 remain in drain state for heat stress testing. 
192 * Due to no cpus available to start new jobs, all user accounts were reset to default maximum 500 concurrent cpus. There are some cpus available now (nodes showing as idle or mixed).
194 * The maximum concurrent cpus limit can be increased on request or temporarily silently if the cluster is underutilized.
196 ### 2023/09/20
198 * Several nodes are draining and max concurrent cpus of large array users was reset in preparation for the workshop at 11am.
200 ### 2023/09/19
202 * 11:54pm: math-alderaan not accepting user ssh connections, filesystems dropped. Rebooted.
204 ### 2023/09/10
206 * 7:43pm math-alderaan not accepting ssh connections
208 * 11:10pm The math-alderaan head node was stuck. Rebooted remotely.
210 * When you can't log into math-alderaan, please use the alternative head node clas-compute.ucdenver.pvt. All user files are there and you can submit slurm jobs as usual. 
212 ### 2023/08/08 
214 * MATLAB was upgraded to R2023a with all toolboxes in CU Denver license installed. This is now the
215 default on alderaan nodes.
217 To use the previous installation, type first
219     module load matlab/R2021b
221 ### 2023/07/14
223 * 2:30pm: Alderaan compute nodes automatically shutting down due to high data center temperature, jobs start getting suspended. 
225 * 3:10-4:10: Complete outage of all compute nodes.
227 * 4:30: Jobs resuming automatically, operations normal.
229 ### 2023/07/08
231 * approx 2:00pm: Login issues to math-alderaan and clas-compute head nodes reported. 
232 The file server is down, systems not accessible until further notice.
234 * approx 8pm: service restored, operations normal.
236 ### 2023/05/18
238 * approx 2:30pm: Operations normal
240 * approx 12pm: Network outage this morning was fixed, but login issues persist. 
241 Please check here or try later. Thanks for your patience! 
244 ### 2023/04/21
246 * Guide [how to use Personal Globus endpoint](../globus) for data transfer is now available. It was ported from the legacy [wiki](http://ccm.ucdenver.edu), updated, and tested. Globus can transfer large quantities of data (many TB) and work through firewalls.
249 ### 2023/04/08 
251 * Various nodes are draining for heat testing under load. After the current jobs 
252 on them complete, no new jobs will be able to start on them 
253 until the testing is completed.
255 * Node math-alderaan-c07 remains unavailable.
257 ### 2023/04/04
259 * The data center is too warm for running Alderaan nodes at full CPU load. 
260 Jobs on nodes that are running too hot are getting suspended automatically
261 until the CPUs cool down, in particular math-alderaan-c[05,07].
262 See the real-time
263 [Status](https://demo.openwfm.org/web/alderaan/cpu_temp.txt) for more detail.
264 The temperature cutoffs were adjusted lower to keep the system from overheating.
266 * Node math-alderaan-c07 is out for repair. Its temperature rise was too fast and cycling could not keep it at safe temperature.
268 ### 2023/03/07
270 * Optimization solver Gurobi with one year site license added to the  /storage/singularity/pyscipopt-geopandas.sif container.
272 ### 2023/03/06
274 * Workshop: Introduction to Shell Scripting on Alderaan (12:30-1:30 p.m MST Hybrid)
276 ### 2023/02/20
278 * Front end math-alderaan is back online. Operations normal.
280 ### 2023/02/18
282 * Front end math-alderaan is down. 
283 The Alderaan cluster is accessible through the alternate front end by
285      ssh clas-compute.ucdenver.pvt 
287 * Slurm and all compute nodes are working normally.
289 * Modules and custom software installed in /shared are not available. 
290 Other filesystems are not affected.
292 * System monitoring is not being updated.
294 * Note that some project directories and the /scratch directory are in /data001 and /data002 filesystems, which are not accessible from clas-compute head node, colibri cluster, and the score cluster.
296 ### 2023/02/10
298 * math-alderaan-h02 is available
300 ### 2023/02/08
302 * Taking math-alderaan-h02 down for diagnostics/repair
303 * math-alderaan-c[01-04] are back
305 ### 2023/02/03
307 * Node math-alderaan-h02 in drain state for GPU diagnostics, please do not use
308 * 10:40pm: Node math-alderaan-h02 available 
310 ### 2023/01/23
312 * [Hands-on workshop](../training/)
314 ### 2022/12/07
316 * Nodes math-alderaan-c[01-04] are with the vendor for repair.
318 ### 2022/12/06
320 * Nodes math-alderaan-c[02-04] are draining. They will be powered off tomorrow at 2pm and any jobs on them killed. The chassis with nodes math-alderaan-c[01-04] needs to be sent to the vendor for repairs.
322 ### 2022/12/04
324 * Node math-alderaan-c01 still down until further notice
326 * 1pm sbatch error resolved, operations normal.
328 * 11pm Users unable to submit slurm jobs, error "sbatch: error: Batch job submission failed: Invalid account or account/partition combination specified"
330 ### 2022/12/03
332 * 11pm The filesystem mounts on math-alderaan and several compute nodes were found to be dropped. This was causing problems including users not being able to login, access files, submit jobs, as well as issues with jobs already running. The filesystems were mounted again.
334 * Data center power outage 7pm-9pm
336 ### 2022/11/23
338 * Node math-alderaan-c01 is down again. Investigating.
340 ### 2022/11/14
342 * Jobs submitted by sbatch or srun may not be starting properly for some users intermitently, possibly due to authentication or network issues. Investigating. Please let me know at jan.mandel@ucdenver.edu if you see this happen.
344 ### 2022/11/04
346 * The `/storage/singularity/mixtures.sif`container was updated and several packages added. The old container is at `/storage/singularity/archive/mixtures-nov2-2022.sif`
347 * All operations are normal.
349 ### 2022/09/24
351 * Partition /storage/math/projects partition back under 50% utilization. All operations normal.
353 ### 2022/09/23
355 * 10am The 40TB /storage/math/projects partition is 100% full. Until this is corrected no one can add any files there. Moving the largest user directories to /scratch and contacting the users individually. The /scratch directory is accessible from all alderaan nodes but not /colibri or /score.
357 * 4pm /storage/math/projects is at 96%. Please do not put any large new files there, make a directory in /scratch instead.
359 ### 2022/09/14
361 *  Node math-alderaan-c01 is back. All operations normal.
363 ### 2022/09/13
365 *  Node math-alderaan-c01 is down.
367 ### 2022/09/12
369 *  All Colibri nodes are now available. The cause was a power issue in a network switch.
371 ### 2022/09/05
373 * 5pm [Large scale network outage at CU Denver](https://stspg.io/cm2wj5ff4k89), clusters not accessible. Last Alderaan updates are from 4:31pm. The cause is a power outage.
375 * 11:58pm OIT restored the power. All running jobs were killed by the power interruption. All alderaan nodes were reset and are now back. Colibri nodes continue to be not accessible.
377 ### 2022/09/04  
379 * Node math-alderaan-c01 is down. I'll work on it after the Labor Day weekend.
381 ### 2022/09/02  
383 * All Colibri compute nodes math-colibri-c[01-24] and also math-colibri-i01 are not accessible. No ETA at this point. Please let me know if you need those nodes urgently. The large memory interactive node math-colibri-i02 works normally.
385 ### 2022/08/18
387 * NetCDF C and Fortran libraries rebuilt with the updated Intel compiler 2022.1.0. `module load intel` and `module load netcdf` will automatically select the latest versions. Please do `module purge` to start clean when loading  modules and assure a predictable environment.
389 ### 2022/08/16
391 * Software maintenance planned on math-alderaan-h[01-02] is postponed. Please continue using the existing GPU directions in the [Clusters guide](../clusters_guide/#how-to-run-with-gpu-on-alderaan).
393 ### 2022/08/15
395 * 4pm Node math-alderaan-c01 is back, all nodes operational.
397 * Hardware maintenance on math-alderaan-c01 and several other compute nodes from about 1pm. The nodes will be put in drain state in advance. Nodes suspended for CPU overheating will be included and not resumed automatically.  Other Alderaan nodes should not be affected but connectivity may be limited temporarily.
399 ### 2022/08/11
401 * Node math-alderaan-c01 is down.
403 ### 2022/08/08
405 * Intel BaseKit and HPCKit (compilers, debugger, libraries) updated to current version. Do <code>module avail</code> to see what is there.
407 ### 2022/08/06
409 * Nodes math-alderaan-h[01-02] are draining to prepare for scheduled maintenance. 
411 ### 2022/08/04
413 * 5pm: Maintenance completed, operations normal. 
415 * 10am: Maintenance started: continue moving nodes and cables improve air flow and adding fan strips.  Nodes math-alderann-c[01-12] will be powered off. Other nodes and functionality may be affected too.
417 * 12am: Nodes math-alderaan-c[01-12] are draining, no new jobs can start on them. Existing jobs can continue while the nodes remain up. Any nodes suspended automatically for CPU overheating will remain suspended until the maintenance is completed.
419 ### 2022/08/02
421 * Maintenance (rack reconfiguration to improve cooling) is scheduled to continue 8/4 with nodes math-alderaan-c[01-12], which will be down. Other nodes may be affected for shorter periods.
423 * 8pm: Planned hardware maintenance completed. All alderaan nodes work normally. Please let me know if you see any issues.
425 * 9am: Planned maintenance in progress. Alderaan not available.
427 ### 2022/07/31
429 * Nodes math-alderaan-c[29-32] fixed, math-alderaan-c[13-26,28] still offline.
430   Slurm and temperature monitoring work with all available nodes normally,
431   and the nodes can be used at full load. 
433 ### 2022/07/30
435 * Nodes math-alderaan-c[13-26] and math-alderaan-c[28-32] are offline. 
436   The slurm scheduler works with the remaining nodes normally. 
437   Temperature monitoring works normally.
439 * Maintenance is scheduled to continue Tuesday 8/2/2022. 
441 ### 2022/07/29 
443 * Maintenance of nodes math-alderaan-c[13-32] to improve cooling is planned for Friday 7/29 9am-3pm. 
445 * Please continue to run jobs, just know that they may be interrupted for maintenance. The downtime of individual nodes will be kept to a minimum possible. 
447 ### 2022/07/28
449 * In preparation for maintenance on 7/29, nodes math-alderaan-c[13-32] are draining. The nodes will be resumed one by one as soon as possible.
451 * Thermal management was modified temporarily so that it does not resume suspended nodes (and jobs on them) automatically. Since the ambient temperature is low enough for nothing to get suspended, this is not expected to make a difference
453 ### 2022/07/27
455 * Reconfiguration of slurm to recognize GPUs as a resource in progress. Please let me know should you see any unusual behavior. 
457 * The data center temperature is lower now. Job should not be getting suspended because of temperature any more, or only rarely.
459 * The cause of the downtime of math-alderaan-c[29-32] was found and it should be corrected by the end of the day Friday 7/29.
461 ### 2022/07/21
463 * Node math-alderaan-c01 is back online. Nodes math-alderaan-c[29-32] are down, investigating. No jobs were cancelled.
465 * The [TDP](https://community.amd.com/t5/processors/what-do-amd-mean-by-tdp/td-p/221727) on math-alderaan-c01 and math-alderaan-c07 was changed. 
466 Their availability will be limited until testing is completed. 
468 ### 2022/07/18
470 * Node math-alderaan-c01 is down.
472 ### 2022/07/15 
474 * The high-memory/GPU nodes math-alderaan-h[01-02] are back in operation.
476 ### 2022/07/14 
478 * The high memory/GPU nodes are down. Investigating.
480 * One way to avoid getting jobs suspended is to use fewer cores per node. Since the CPU turbo 
481 boost feature will speed up the remaining cores and the load depends on application, 
482 the number of cores per node to use is best determined by trial and error. 
484 ### 2022/07/12
486 * To protect the computer hardware, jobs running on CPUs which get too hot are 
487 suspended automatically. The jobs resume after the temperature drops.
489 * We also increase the speed of 
490 the node fans proactively as the CPU temperatures increase.
493 ### 2022/07/09
495 * Cooling and temperature monitoring were improved. **All Alderaan nodes can be used at 100% 
496 load safely.** 
498 * Should a [CPU temperature](https://demo.openwfm.org/web/alderaan/cpu_temp.txt)  exceed
499 a limit, the jobs using the CPU will be suspended automatically and  can be resumed later 
500 after a review of the situation. The node state will show as `drng` in the 
501 [partitions list](https://demo.openwfm.org/web/alderaan/sinfo.txt).
503 [//]: # (Reducing  the number of cores used has some effect on the CPU heat generated, but only a limited one because the remaining cores can boost their speed up.)
505 * A link to real-time CPU temperature on all Alderaan nodes was added above.
507 ### 2022/07/08
509 * 1:15pm: Normal operations resumed. 
511 * 12:30pm: A/C offline, operations suspended.
513 * 11:00am: Data center was improved. Nodes math-alderaan-c[01-32] resumed. Please do go ahead and submit your jobs and use all  nodes at 100% again.
515 ### 2022/07/07
517 * Because of CPU overhearing, no new jobs can start on nodes math-alderaan-c[01-32] and existing jobs on nodes loaded more than 80% were killed or suspended.
518 Arrangements to use the nodes at reduced load are possible while the heat situation is being resolved, please contact jan.mandel@ucdenver.edu.
520 * Node math-alderaan-c01 reset and returned to operations. 
522 ### 2022/07/03
524 * Node math-alderaan-c01 failed and won't power on.
526 ### 2022/06/21
527 * Thanks to all who submitted their contributions for the annual report for the [NSF grant](https://www.nsf.gov/awardsearch/showAward?AWD_ID=2019089) Alderaan is funded from!
529 * New modules available on Alderaan: module load intel will set up the Intel compiters and MPI; module load netcdf will point environment variable NETCDF to both C and Fortran NetCDF as expected by many software packages. Separate modules netcdf-c and netcdf-fortran are also available. All NetCDF modules are built with the Intel compilers.
531 ### 2022/06/14 
533 * Slurm configuration with GPUs and memory as controlled resources is coming soon. In the meantime, **please do not request an entire high memory/GPU node if you do not need all the resources, request only the cores you need**.
535 * 1pm: Maintenance completed. Nodes math-alderaan-h01 and math-alderaan-h02 have two GPUS each now. Operations normal.
537 * 11am: Maintenance started, taking node math-alderaan-h01 offline.
539 ### 2022/06/13
541 * The maintenance on math-alderaan-h01 and the return of math-alderaan-h02 are postponed to tomorrow 6/14 11am.
543 ### 2022/06/12
545 * All jobs will be now suspended automatically when alderaan inlet temperature reaches 29 C to help prevent a data center overheating emergency.
546 Normal operations will resume when the temperature returns to at most 25 C. Please check the temperature log above if your jobs are suspended or submitted jobs do not start.
548 ### 2022/06/11
550 * 9:40pm Temperature back to normal 25C, all jobs resumed, normal operations resumed. 
552 * 5pm Datacenter temperature 30C. All alderaan jobs suspended an no new jobs can start to help prevent overheating.
554 ### 2022/06/10
556 * Node math-alderaan-h01 will be powered off Monday 6/13 afternoon to add a second GPU. All running jobs will be killed. The node will be put in draining state in 
557 advance so that no new jobs can start. Node math-alderann-h02 will be put  back, upgraded to two GPUs. Other nodes should not be affected.
559 * SLURM reconfiguration to allocate also GPUs and memory at least in the math-alderaan-gpu partition is coming soon.
561 * Forwarded from XSEDE: Texas A&M University **FASTER** (Fostering Accelerated Scientific Transformations, Education, and Research) is a novel composable high-performance data-analysis and computing instrument funded by the NSF MRI program. **FASTER** adopts the innovative Liqid composable software-hardware approach combined with cutting-edge technologies such as Intel Ice Lake CPUs, NVIDIA A100/A40/A30/A10/T4 GPUs, NVMe based storage, and high-speed Infiniband HDR interconnect. **FASTER** is a 184-node cluster built by Dell and has 40 A100, 200 T4, 8 A40, 8 A10, and 4 A30 GPUs. Each compute node can compose multiple GPUs of various types via Liqid PCIe fabrics. The **FASTER** platform removes significant bottlenecks in research computing by leveraging composable technology that can dynamically integrate disaggregated GPUs to a single node, allowing HPC/AI workflows to flexibly choose the type and number of GPUs to fit their needs. Thirty percent of **FASTER’s** computing resources are allocated to researchers nationwide by XSEDE/ACCESS program. **FASTER** is open as friendly user mode to XSEDE Startup allocations now and invites researchers who are interested in becoming **FASTER** users to submit allocation requests.  More details about **FASTER** can be found: [https://portal.xsede.org/tamu-faster](https://portal.xsede.org/tamu-faster)
564 ### 2022/06/03
566 * NEW: Real-time system status added to this updates page, check out the links above.
568 ### 2022/06/02
570 * 2pm: Power redistribution and testing completed without tripping any breakers. Normal operations resumed. All existing jobs continued normally. All nodes available except math-alderaan-h02 out for maintenance.
572 * 11am: All nodes draining. Power reconfiguration and testing are scheduled to start at 1pm. Existing jobs should be able to continue unless a power load test trips circuit breakers.
574 ### 2022/05/28
576 * All clusters operate normally. All nodes showing as available can be used at full load. 
578 ### 2022/05/27 
580 * Work on power distribution was completed for the day about 1pm. No jobs were cancelled. Nodes math-alderaan-c[01,05,09,13,17,21,25,29] are offline to reduce the maximum load and avoid potential shutdown over the weekend.  The rest operates normally.
582 * Node math-alderaan-c18 had a memory board replaced and it is back online. Node math-alderaan-h02 is out for maintenance until further notice. 
584 ### 2022/05/26
586 * Work on power distribution and stress testing was completed about 2pm for today and all clusters are available.
588 * Nodes math-alderaan-c18 and math-alderaan-h02 are down for repair until further notice.
590 * Alderaan will be down 2022/05/27 from about 10:30am to continue work on power distribution. The clas-compute front end, the score cluster, and the colibri cluster should not be affected.
592 * Announcements switched from emails to this page, announced in login message on front ends.