Bei einigen Festplatten treten seltsame Fehler auf, und ich habe Probleme, das Problem einzugrenzen. Die Festplatte ist Teil eines RAID-Arrays (Linux-Software-RAID, preisgünstige Hardware). Als sie aus dem Array ausfiel, bestand meine erste Reaktion darin, sie einfach durch eine Ersatzfestplatte zu ersetzen. Aber der Wiederaufbau schlug immer wieder fehl.
Die Laufwerke befinden sich in externen SATA-Gehäusen mit 5 Laufwerken (4 Gehäuse mit jeweils 5 Laufwerken) und mir fiel auf, dass dieses Gehäuse ebenfalls merkwürdige Symptome zeigte. Normalerweise blinken die Lichter auf eine bestimmte Weise, wenn ein Laufwerk hinzugefügt wird, da der SATA-Port-Replikator des Gehäuses das neue Laufwerk erkennt. Und das passierte während des Umbaus immer wieder, was für mich bedeutete, dass vielleicht die Hardware des Port-Replikators der eigentliche Übeltäter war.
Ich habe ein Ersatzgehäuse für solche Fälle, also habe ich es ausgetauscht und die Laufwerke in das neue eingebaut. Aber zu diesem Zeitpunkt mdadmkonnte ich das Laufwerk überhaupt nicht wiederherstellen. Es ist immer fehlgeschlagensofortnach dem Start. Ich habe ein paar verschiedene Ersatzlaufwerke ausprobiert, dasselbe Symptom. Sicherlich sind nicht mehrere Laufwerke ausgefallenauf genau dieselbe Weisebeizur exakt gleichen Zeit?
Die Gehäuse werden an 2 im Host installierte SATA-Controllerkarten angeschlossen, jeweils 2 Ports. Vielleicht lag es an einer der Karten? Also habe ich die SATA-Kabel so verlegt, dass das „störende“ Gehäuse auf der anderen Karte war. Aber das gleiche Problem mit demselben Laufwerksschacht im selben Gehäuse blieb bestehen.
An diesem Punkt gehen mir die Dinge aus, die ich testen könnte. Ich habe 2 Laufwerke, 2 Gehäuse und 2 Controllerkarten im Host. Jede Kombination davon führt zu denselben Problemen.
An diesem Punkt mdadmversucht man gerade, den Laufwerksaufbau wiederaufzunehmen (ich bin mir nicht sicher, warum es dieses Mal nicht fehlgeschlagen ist), aber bei einembedeutendreduzierte Geschwindigkeit. Es schwankt zwischen 1/2 und 1/4 der normalen Geschwindigkeit. Das Ersatzgehäuse erkennt das Laufwerk auch wieder, wie das vorherige.
Nun, ich weiß nicht viel über die Diagnose von Hardware. Bei Standardhardware handelt es sich normalerweise um einen Austauschzyklus. Aber alle Ersatzteile verhalten sich in diesem Fall gleich, also bin ich mir nicht sicherWasdas Problem ist. Ich habe einige Dinge gegoogelt, die ich sehe, /var/log/syslogaber bisher habe ich nicht viel davon verstanden. Ich kann Ihnen sagen, dass ...
Wenn das Gehäuse das Laufwerk „erneut erkennt“, wird dies in Folgendem angezeigt syslog:
Oct 3 17:43:52 gibson kernel: [ 1478.755088] ata5: controller in dubious state, performing PORT_RST
Oct 3 17:43:54 gibson kernel: [ 1480.909415] ata5.05: limiting SATA link speed to 1.5 Gbps
Andere beunruhigende und oft wiederholte Nachrichten sehen syslogso aus:
Oct 3 17:46:05 gibson kernel: [ 1612.163891] ata5.00: exception Emask 0x0 SAct 0x0 SErr 0x400000 action 0x6
Oct 3 17:46:05 gibson kernel: [ 1612.163894] ata5.00: irq_stat 0x00060002, device error via D2H FIS
Oct 3 17:46:05 gibson kernel: [ 1612.163897] ata5.00: SError: { Handshk }
Oct 3 17:46:05 gibson kernel: [ 1612.163899] ata5.00: failed command: WRITE DMA
Oct 3 17:46:05 gibson kernel: [ 1612.163904] ata5.00: cmd ca/00:00:00:29:87/00:00:00:00:00/e0 tag 0 dma 131072 out
Oct 3 17:46:05 gibson kernel: [ 1612.163905] res 51/84:90:70:29:87/00:00:00:00:00/e0 Emask 0x10 (ATA bus error)
Oct 3 17:46:05 gibson kernel: [ 1612.163907] ata5.00: status: { DRDY ERR }
Oct 3 17:46:05 gibson kernel: [ 1612.163909] ata5.00: error: { ICRC ABRT }
und manchmal dies:
Oct 3 18:07:10 gibson kernel: [ 2877.073010] ata5.00: failed to read SCR 1 (Emask=0x40)
Oct 3 18:07:10 gibson kernel: [ 2877.073015] ata5.00: failed to read SCR 0 (Emask=0x40)
Oct 3 18:07:10 gibson kernel: [ 2877.073017] ata5.01: failed to read SCR 1 (Emask=0x40)
Oct 3 18:07:10 gibson kernel: [ 2877.073020] ata5.01: failed to read SCR 0 (Emask=0x40)
Oct 3 18:07:10 gibson kernel: [ 2877.073022] ata5.02: failed to read SCR 1 (Emask=0x40)
Oct 3 18:07:10 gibson kernel: [ 2877.073024] ata5.02: failed to read SCR 0 (Emask=0x40)
Oct 3 18:07:10 gibson kernel: [ 2877.073026] ata5.03: failed to read SCR 1 (Emask=0x40)
Oct 3 18:07:10 gibson kernel: [ 2877.073028] ata5.03: failed to read SCR 0 (Emask=0x40)
Oct 3 18:07:10 gibson kernel: [ 2877.073030] ata5.04: failed to read SCR 1 (Emask=0x40)
Oct 3 18:07:10 gibson kernel: [ 2877.073032] ata5.04: failed to read SCR 0 (Emask=0x40)
Oct 3 18:07:10 gibson kernel: [ 2877.073034] ata5.05: failed to read SCR 1 (Emask=0x40)
Gibt es andere Tests, die ich durchführen kann? Andere Dinge, die ich ausprobieren kann? Waskönntefalsch sein, das unabhängig von der verwendeten Hardware Symptome zeigt?
Das Array lief jahrelang einwandfrei, mit gelegentlichem Laufwerksaustausch. Es wurden keine Softwareänderungen am Host vorgenommen (es sei denn, ich bin kompromittiert worden und weiß es nicht, was durchaus möglich ist). Aber ein Laufwerksausfall vor ein paar Monaten hat zu ständigem Neuaufbau geführt und mich letztendlich in den aktuellen Zustand versetzt.
Bearbeiten:Ein weiteres Muster, das mir gerade aufgefallen ist, ich bin mir nicht sicher, ob es etwas bedeutet. Die Laufwerke im Array sind sdb1durch sdu1. Sie werden vom bootenden Betriebssystem nicht immer in derselben Reihenfolge erkannt, sodass jedes Laufwerk beim Neustart seinen Buchstaben ändern kann. Als das Laufwerk ständig ausfielsofortbeim mdadmNeuaufbau war es /dev/sdq1. Aber während der aktuellen Symptome (langsamer Neuaufbau, wiederholtes „Neuerkennen“ durch das Gehäuse und im Grunde die oben protokollierten Fehler) war es /dev/sdu1.
Bearbeiten:Ich habe Knoppix 7.2 heruntergeladen, um zu sehen, ob ich das Array starten und das Laufwerk dort hinzufügen kann. Nur um zu sehen, ob es vielleicht ein Softwareproblem ist. Genau dieselben Symptome. Also ... die Hardware wurde ersetzt, die Software wurde ersetzt, aber das Problem besteht weiterhin. Damit bin ich im Moment in einer Sackgasse.
Bearbeiten:Ich habe auch versucht, das Laufwerk einfach folgendermaßen auf Null zu setzen:
dd if=/dev/zero of=/dev/sdu bs=1M
Aber die gleichen Symptome bleiben bestehen. An diesem Punkt vermute ich, dass vielleicht etwas mit dem Controller nicht stimmt, aber auf eine Art und Weise, die ich nicht verstehe. Jede der beiden Karten funktioniert, aber aus irgendeinem Grund können beide zusammen nicht so viele Laufwerke verwalten? Das ergibt vielleicht keinen Sinn, ich versuche hier nur, Muster zu erkennen.
Bearbeiten:Ausgabe von smartctl -a -d ata /dev/sdu:
smartctl 5.40 2010-10-16 r3189 [x86_64-slackware-linux-gnu] (local build)
Copyright (C) 2002-10 by Bruce Allen, http://smartmontools.sourceforge.net
=== START OF INFORMATION SECTION ===
Model Family: Western Digital Caviar Green family
Device Model: WDC WD20EADS-00S2B0
Serial Number: WD-WCAVY0536607
Firmware Version: 01.00A01
User Capacity: 2,000,398,934,016 bytes
Device is: In smartctl database [for details use: -P show]
ATA Version is: 8
ATA Standard is: Exact ATA specification draft version not indicated
Local Time is: Sat Oct 5 07:04:21 2013 EDT
SMART support is: Available - device has SMART capability.
SMART support is: Enabled
=== START OF READ SMART DATA SECTION ===
SMART overall-health self-assessment test result: PASSED
General SMART Values:
Offline data collection status: (0x84) Offline data collection activity
was suspended by an interrupting command from host.
Auto Offline Data Collection: Enabled.
Self-test execution status: ( 0) The previous self-test routine completed
without error or no self-test has ever
been run.
Total time to complete Offline
data collection: (42900) seconds.
Offline data collection
capabilities: (0x7b) SMART execute Offline immediate.
Auto Offline data collection on/off support.
Suspend Offline collection upon new
command.
Offline surface scan supported.
Self-test supported.
Conveyance Self-test supported.
Selective Self-test supported.
SMART capabilities: (0x0003) Saves SMART data before entering
power-saving mode.
Supports SMART auto save timer.
Error logging capability: (0x01) Error logging supported.
General Purpose Logging supported.
Short self-test routine
recommended polling time: ( 2) minutes.
Extended self-test routine
recommended polling time: ( 255) minutes.
Conveyance self-test routine
recommended polling time: ( 5) minutes.
SCT capabilities: (0x303f) SCT Status supported.
SCT Error Recovery Control supported.
SCT Feature Control supported.
SCT Data Table supported.
SMART Attributes Data Structure revision number: 16
Vendor Specific SMART Attributes with Thresholds:
ID# ATTRIBUTE_NAME FLAG VALUE WORST THRESH TYPE UPDATED WHEN_FAILED RAW_VALUE
1 Raw_Read_Error_Rate 0x002f 179 179 051 Pre-fail Always - 90370
3 Spin_Up_Time 0x0027 149 149 021 Pre-fail Always - 9525
4 Start_Stop_Count 0x0032 100 100 000 Old_age Always - 22
5 Reallocated_Sector_Ct 0x0033 200 200 140 Pre-fail Always - 0
7 Seek_Error_Rate 0x002e 200 200 000 Old_age Always - 0
9 Power_On_Hours 0x0032 092 092 000 Old_age Always - 6170
10 Spin_Retry_Count 0x0032 100 253 000 Old_age Always - 0
11 Calibration_Retry_Count 0x0032 100 253 000 Old_age Always - 0
12 Power_Cycle_Count 0x0032 100 100 000 Old_age Always - 18
192 Power-Off_Retract_Count 0x0032 200 200 000 Old_age Always - 9
193 Load_Cycle_Count 0x0032 001 001 000 Old_age Always - 610025
194 Temperature_Celsius 0x0022 117 073 000 Old_age Always - 35
196 Reallocated_Event_Count 0x0032 200 200 000 Old_age Always - 0
197 Current_Pending_Sector 0x0032 200 200 000 Old_age Always - 125
198 Offline_Uncorrectable 0x0030 200 200 000 Old_age Offline - 0
199 UDMA_CRC_Error_Count 0x0032 200 200 000 Old_age Always - 62927
200 Multi_Zone_Error_Rate 0x0008 090 090 000 Old_age Offline - 22176
SMART Error Log Version: 1
No Errors Logged
SMART Self-test log structure revision number 1
No self-tests have been logged. [To run self-tests, use: smartctl -t]
SMART Selective self-test log data structure revision number 1
SPAN MIN_LBA MAX_LBA CURRENT_TEST_STATUS
1 0 0 Not_testing
2 0 0 Not_testing
3 0 0 Not_testing
4 0 0 Not_testing
5 0 0 Not_testing
Selective self-test flags (0x0):
After scanning selected spans, do NOT read-scan remainder of disk.
If Selective self-test is pending on power-up, resume after 0 minute delay.
Aktualisieren:Ich habe vielleicht meinen ersten vielversprechenden Durchbruch bei diesem Unterfangen. Nachdem ich die letzten 6 Stunden (mit Unterbrechungen) damit verbracht habe, Laufwerke/Gehäuse/Kabel/Karten auszutauschen und systematisch nach einem Muster zu suchen, habe ich endlich eines gefunden. Und eines, das ich zuverlässig reproduzieren kann.
Es mag kein Hot-Swapping.
Es heißt, es tut das. Und es gibt vor, es zu tun. Und es unternimmt jede Anstrengung, dieses Versprechen zu halten. Aber es ist eine Lüge. Ich werde nicht so tun, als wüsste ich etwas über die Low-Level-Hardwarearchitektur und/oder Kernelarchitektur, die dabei eine Rolle spielt, aber ich kann zumindest logisch ein reproduzierbares Muster feststellen.
Und ich wette, ich habe das Hot-Swap-Debakel in diesem Sommer ausgelöst, ohne es überhaupt zu merken, und wahrscheinlichverursachtdieses ganze Durcheinander ist das Ergebnis. syslogEs zeigt, dass die Fehler, die ich gesehen habe, im Juni begannen, also kurz vor dem schwerwiegenden Fehler und kurz bevor ich für den Sommer nach SF ging und nicht daran arbeiten konnte.
Aber wenn ich einen Neustart durchführe, wenn ich eine Festplatte verschieben muss, werden mir die Fehler bisher nicht angezeigt. Die 20. Festplatte wurde erneut hinzugefügt und wird mit der richtigen Geschwindigkeit neu erstellt (was bei einer 2-TB-Festplatte immer noch ungefähr 36 Stunden dauert), und ich beobachte ( tail -f) syslog, wo bisher nichts passiert ist.
Es wird noch ein paar Tage dauern, bis ich mit Sicherheit darüber berichten kann. Aber bisher sieht es vielversprechend aus. Die Antwort auf dieseMaiam Ende heißt es „kein Hot-Swap mit einem Rosewill RSV-S5 unter Linux“, Daumen drücken.
Antwort1
Obwohl ich noch immer nicht viel über die Low-Level-Architektur rund um die Hardware oder die Kernel-Treiber weiß, die sie steuern, scheint es, dass die „Lösung“ in diesem Fall darin besteht, die Laufwerke nicht im laufenden Betrieb auszutauschen.
Wenn Sie also einen Rosewill RSV-S5 (oder einen anderen seiner Art, nehme ich an) unter Linux verwenden (vielleicht auch auf anderen Systemen, ich weiß es nicht), führen Sie niemals Hot-Swap durch. Und wenn syslogjemals angezeigt wird, dass ein Hot-Swap PORT_RSTdurchgeführt wurde, starten Sie sicherheitshalber neu.
Hot-Swapping scheint zunächst zu funktionieren. Auf dem Laufwerk ist kein FS gemountet, es ist nur eine leere Partition, die Hardware ist mit Laufwerksschienen und so weiter dafür eingerichtet, und wenn Sie das neue Laufwerk einsetzen, erkennt das System es und weist ihm ein Gerät zu, mit dem Sie interagieren können. Aber behalten Sie es syslogzur Sicherheit im Auge.