在Linux中使用McLappy时R中出现奇怪的错误

我遇到了这个奇怪的segfault错误，对如何解决它一无所知。我在运行一些马尔可夫链蒙特卡罗算法（一种近似分布的顺序算法）。我将这个算法的每一次迭代并行化。所以有点像

for (iter in 1:T){
  res[iter] = mclapply(fun)
}

现在奇怪的是，当我的数据集的大小相对适中时，算法可以毫无问题地运行。然后我增加数据集的大小（80000个观察值，不是超大），算法在前1000次迭代中有效，然后在出现

segfault

错误时停止。我已将错误粘贴到下面：

*** caught segfault ***
address 0x20, cause 'memory not mapped'

Traceback:
1: mcfork()
2: FUN(X[[i]], ...)
3: lapply(seq_len(cores), inner.do)
4: mclapply(1:n, FUN = function(k) { return(OptimRE(dataSummaries[[k]], mu + beta, v, vre))}, mc.cores = ncores)
5: getMargLikelihood0(dataSummaries_layer1[[k]], mu, v, vre, beta[k],    logarithm = TRUE)
6: FUN(X[[i]], ...)
7: lapply(X = S, FUN = FUN, ...)
8: doTryCatch(return(expr), name, parentenv, handler)
9: tryCatchOne(expr, names, parentenv, handlers[[1L]])
10: tryCatchList(expr, classes, parentenv, handlers)
11: tryCatch(expr, error = function(e) {    call <- conditionCall(e) if (!is.null(call)) {        if (identical(call[[1L]], quote(doTryCatch)))             call <- sys.call(-4L)        dcall <- deparse(call)[1L]        prefix <- paste("Error in", dcall, ": ") LONG <- 75L        msg <- conditionMessage(e)        sm <- strsplit(msg, "\n")[[1L]]        w <- 14L + nchar(dcall, type = "w") + nchar(sm[1L], type = "w")        if (is.na(w))             w <- 14L + nchar(dcall, type = "b") + nchar(sm[1L],                 type = "b")    if (w > LONG)             prefix <- paste0(prefix, "\n  ")    }    else prefix <- "Error : "    msg <- paste0(prefix, conditionMessage(e), "\n") .Internal(seterrmessage(msg[1L]))    if (!silent && identical(getOption("show.error.messages"),     TRUE)) { cat(msg, file = stderr())        .Internal(printDeferredWarnings())    }    invisible(structure(msg, class = "try-error", condition = e))})
12: try(lapply(X = S, FUN = FUN, ...), silent = TRUE)
13: sendMaster(try(lapply(X = S, FUN = FUN, ...), silent = TRUE))
14: FUN(X[[i]], ...)
15: lapply(seq_len(cores), inner.do)
16: mclapply(1:length(beta), FUN = function(k) { return(getMargLikelihood0(dataSummaries_layer1[[k]], mu,         v, vre, beta[k], logarithm = TRUE))}, mc.cores = ncores)
17: getMargLikelihood(dataSummaries_layer1, newm, news, newv, beta1)
18: FitPoissRegNRE(my[j, ], groupid, id1, id2, nb = nb, nc = nc,     sig = sig, a = a, b = b, a2 = a2[j], b2 = b2[j], ps_m = ps_m,     ps_s = ps_s, njump = njump)
19: ApplyFitPoissRegNRE(y, hashABC, hashAB, hashA, nb = 200, nc = 800,   sig = 1000, a = 2, b = 2, a2 = rep(100, 3), b2 = rep(5, 3),     ps_m = 0.01, ps_s = 0.03, njump = 4)
20: eval(expr, envir, enclos)
21: eval(ei, envir)
22: withVisible(eval(ei, envir))

***捕捉到故障***
地址0x20，导致“内存未映射”
回溯：
1:mcfork（）
2：乐趣（X[[i]]，…）
3:lappy（序列长度（芯），内部do）
4:mclapply（1:n，FUN=function（k）{return（OptimRE（dataSummaries[[k]]，mu+beta，v，vre））}，mc.cores=ncores）
5:getMargLikelihood0（数据摘要_layer1[[k]]，μ，v，vre，β[k]，对数=TRUE）
6：乐趣（X[[i]]，…）
7:lappy（X=S，FUN=FUN，…）
8:doTryCatch（返回（expr）、名称、parentenv、处理程序）
9:tryCatchOne（expr、name、parentenv、handlers[[1L]]）
10:tryCatchList（expr、类、parentenv、处理程序）
11:tryCatch（expr，error=function（e）{call对
mclappy
函数的每次调用可能都会在僵尸进程周围留下。由于您反复调用它，可能会积累大量的僵尸进程，最终导致问题

您可以使用
inline
包创建一个函数，该函数等待所有子进程以摆脱僵尸进程：

library(inline)
includes <- '#include <sys/wait.h>'
code <- 'int wstat; while (waitpid(-1, &wstat, WNOHANG) > 0) {};'
wait <- cfunction(body=code, includes=includes, convention='.C')

除了Steve关于检查僵尸进程的建议之外，还有一条评论：看起来您的代码是通过递归调用生成的
mclappy（…，mc.cores=ncores）

4: mclapply(1:n, FUN = function(k) { return(OptimRE(dataSummaries[[k]], mu + beta, v, vre))}, mc.cores = ncores)
[...]
16: mclapply(1:length(beta), FUN = function(k) { return(getMargLikelihood0(dataSummaries_layer1[[k]], mu, v, vre, beta[k], logarithm = TRUE))}, mc.cores = ncores)

换句话说，你可能会以“ncores*ncores”结束每次迭代中都会出现分叉进程。我不知道这两个
ncore
是什么，但一定要检查这是否是您真正想要的。
这是一个很好的发现！我确实有一个嵌套的McLappy，我在当前的测试中与Steve的建议一起更改了它，问题得到了解决！该测试非常耗时，因此我无法进行测试控制测试，以判断问题是由您的建议解决还是由Steve的解决。这两种方法肯定都有助于代码的稳定性。我选择Steve的方法作为答案，因为它已在前面发布：）对于它的价值，foreach和许多其他并行包包装器也会发生同样的情况。。。
4: mclapply(1:n, FUN = function(k) { return(OptimRE(dataSummaries[[k]], mu + beta, v, vre))}, mc.cores = ncores)
[...]
16: mclapply(1:length(beta), FUN = function(k) { return(getMargLikelihood0(dataSummaries_layer1[[k]], mu, v, vre, beta[k], logarithm = TRUE))}, mc.cores = ncores)