He estado experimentando algunos errores extraños en algunos discos duros y tengo problemas para delimitar el problema. Es parte de una matriz RAID (RAID de software de Linux, hardware económico), por lo que cuando salió de la matriz mi primera reacción fue simplemente cambiarlo por uno de repuesto. Pero la reconstrucción siguió fracasando.
Las unidades están en gabinetes SATA externos de 5 unidades (4 gabinetes, 5 unidades cada uno) y noté que este gabinete también mostraba síntomas extraños. Normalmente, cuando se agrega una unidad, las luces parpadean de cierta manera cuando el replicador del puerto SATA del gabinete detecta la nueva unidad. Y eso siguió sucediendo durante la reconstrucción, lo que me implicó que tal vez el hardware del replicador de puertos era el verdadero culpable.
Tengo una caja de repuesto para este problema, así que la cambié y puse las unidades en la nueva. Pero en este punto mdadmno se pudo reconstruir el disco en absoluto. siempre fallóinmediatamentedespués de iniciarlo. Probé un par de unidades de repuesto diferentes, el mismo síntoma. Seguramente no me han fallado varias unidades.exactamente de la misma maneraenexactamente al mismo tiempo?
Los gabinetes se conectan a 2 tarjetas controladoras SATA instaladas en el host, 2 puertos cada una. ¿Quizás fue una de las cartas? Así que moví los cables SATA para que el gabinete "ofensivo" estuviera en la otra tarjeta. Pero persistió el mismo problema con la misma bahía de unidad en el mismo gabinete.
En este punto me estoy quedando sin cosas para probar. Tengo 2 unidades, 2 gabinetes y 2 tarjetas controladoras en el host. Cualquier combinación de ellos produce los mismos problemas.
En este punto, mdadmactualmente estoy intentando reconstruir la unidad (no estoy seguro de por qué no falló esta vez), pero en un momentosignificativamenteVelocidad reducida. Está fluctuando entre 1/2 y 1/4 de la velocidad normal. El gabinete de reemplazo también vuelve a detectar la unidad como lo hacía el anterior.
Ahora bien, no sé mucho sobre el diagnóstico de hardware. Con el hardware básico suele ser un ciclo de reemplazo. Pero en este caso todas las piezas de repuesto se comportan de la misma manera, así que no estoy seguro.quéel problema es. He estado buscando en Google algunas cosas que veo /var/log/syslogpero hasta ahora no he entendido mucho. Puedo decirte que...
Cuando el gabinete "vuelve a detectar" la unidad, esto aparece en 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
Otros mensajes preocupantes y frecuentemente repetidos se syslogparecen a:
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 }
y a veces esto:
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)
¿Hay otras pruebas que pueda realizar? ¿Otras cosas que puedo probar? Quépodría¿Está mal cuál presenta síntomas independientemente del hardware que se utilice?
La matriz ha funcionado bien durante años, con el reemplazo ocasional de la unidad. No se han realizado cambios de software en el host (a menos que haya sido comprometido y no lo sepa, lo cual es ciertamente posible). Pero una falla en el disco hace unos meses resultó en una reconstrucción constante y finalmente me dejó en el estado actual.
Editar:Otro patrón que acabo de descubrir, no estoy seguro si significa algo. Las unidades de la matriz están sdb1terminadas sdu1. El sistema operativo de arranque no siempre los ve en el mismo orden, por lo que cualquier unidad determinada podría cambiar su letra al reiniciar. Cuando la unidad fallaba constantementeinmediatamentetras una mdadmreconstrucción, fue /dev/sdq1. Pero a lo largo de los síntomas actuales (reconstrucción lenta, el gabinete lo "vuelve a detectar" una y otra vez y, básicamente, los errores registrados anteriormente), ha sido /dev/sdu1...
Editar:Descargué Knoppix 7.2 para ver si podía iniciar la matriz y agregar la unidad allí. Sólo para ver si tal vez sea un problema de software. Exactamente los mismos síntomas. Entonces... se reemplazó el hardware, se reemplazó el software, pero el problema persiste. Esto me deja en una especie de callejón sin salida en este momento.
Editar:También intenté poner a cero el disco con esto:
dd if=/dev/zero of=/dev/sdu bs=1M
Pero los mismos síntomas persisten. En este punto sospecho que tal vez algo anda mal con el controlador, pero de alguna manera no lo entiendo. Cada una de las 2 tarjetas funciona, pero por alguna razón, ¿ambas juntas no pueden administrar tantas unidades? Puede que no tenga ningún sentido, sólo estoy tratando de identificar patrones aquí.
Editar:Salida de 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.
Actualizar:Quizás tenga mi primera oportunidad prometedora en esta travesura. Después de pasar las últimas 6 horas (encendido y apagado) intercambiando unidades/carcasas/cables/tarjetas y tratando sistemáticamente de encontrar un patrón, finalmente encontré uno. Y uno que puedo reproducir consistentemente.
No le gusta el intercambio en caliente.
Dice que sí. Pretende hacerlo. Y hace todo lo posible para cumplir esta promesa. Pero es mentira. No pretendo saber nada sobre la arquitectura de hardware de bajo nivel y/o la arquitectura del kernel que desempeña un papel en esto, pero al menos puedo determinar lógicamente un patrón reproducible.
Y apuesto a que comencé la debacle del hot-swap este verano sin siquiera darme cuenta y probablementecausadoTodo este lío como resultado. syslogmuestra que los errores que he estado viendo comenzaron en junio, que fue justo antes de que ocurriera la falla importante y justo antes de que fuera a SF durante el verano y no pudiera trabajar en ello.
Pero si reinicio cada vez que necesito mover un disco, hasta ahora no veo los errores. El vigésimo disco se ha vuelto a agregar y se está reconstruyendo a la velocidad correcta (lo que todavía demora aproximadamente 36 horas para un disco de 2 TB), y estoy mirando ( tail -f) syslog, que hasta ahora ha estado en silencio.
Pasarán algunos días antes de que pueda informar sobre esto con confianza. Pero hasta ahora parece prometedor. La respuesta a estopuedetermina siendo "no intercambiar en caliente con un Rosewill RSV-S5 en Linux", con los dedos cruzados.
Respuesta1
Si bien todavía no sé mucho sobre la arquitectura de bajo nivel alrededor del hardware o los controladores del kernel que lo controlan, parece que la "solución" en este caso es no intercambiar las unidades en caliente.
Entonces, cuando use un Rosewill RSV-S5 (o cualquiera de su tipo, me imagino) en Linux (tal vez también en otros sistemas, no lo sé), nunca realice un intercambio en caliente. Y si syslogalguna vez dice que PORT_RSTse realizó una operación, reinicie solo para estar seguro.
Al principio puede parecer que el intercambio en caliente funciona. No hay ningún FS montado en la unidad, es solo una partición básica, el hardware está configurado para ello con rieles de unidad y todo eso, y cuando coloca la nueva unidad, el sistema la reconoce y le asigna un dispositivo con el que puede interactuar. Pero esté atento syslogsólo para estar seguro.