У меня возникли странные ошибки на некоторых жестких дисках, и мне сложно сузить круг проблем. Это часть RAID-массива (программный RAID Linux, бюджетное оборудование), поэтому, когда он выпал из массива, моей первой реакцией было просто заменить его на запасной. Но восстановление продолжало терпеть неудачу.
Диски находятся во внешних корпусах SATA на 5 дисков (4 корпуса, по 5 дисков в каждом), и я заметил, что этот корпус также демонстрирует странные симптомы. Обычно при добавлении диска индикаторы мигают определенным образом, поскольку репликатор портов SATA корпуса обнаруживает новый диск. И это продолжалось во время пересборки, что навело меня на мысль, что, возможно, виновником было оборудование репликатора портов.
У меня есть запасной корпус для такой проблемы, поэтому я его поменял и вставил диски в новый. Но на тот момент я mdadmвообще не мог восстановить диск. Он всегда выходил из строянемедленнопосле запуска. Я попробовал несколько разных запасных дисков, тот же симптом. Конечно, у меня не было нескольких дисков, которые вышли из строяточно так жевв то же самое время?
Корпуса подключаются к 2 платам контроллера SATA, установленным в хосте, по 2 порта каждая. Может быть, это была одна из плат? Поэтому я переместил кабели SATA так, чтобы "проблемный" корпус оказался на другой плате. Но та же проблема с тем же отсеком для дисков в том же корпусе сохранилась.
На этом этапе у меня заканчиваются вещи для тестирования. У меня 2 диска, 2 корпуса и 2 карты контроллера в хосте. Любая их комбинация приводит к тем же проблемам.
На данный момент mdadmпытаюсь перестроиться на диск (не знаю, почему в этот раз не получилось), носущественносниженная скорость. Она колеблется между 1/2 и 1/4 нормальной скорости. Сменный корпус также повторно обнаруживает диск, как и предыдущий.
Теперь я не знаю много о диагностике оборудования. С товарным оборудованием это обычно цикл замены. Но все сменные детали ведут себя одинаково в этом случае, так что я не уверенчтопроблема в том, что я гуглил некоторые вещи, которые я видел, /var/log/syslogно пока не понял многого из этого. Я могу сказать вам, что...
Когда корпус «повторно обнаруживает» диск, это отображается в 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
Другие тревожные и часто повторяющиеся сообщения выглядят syslogтак:
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 }
а иногда и это:
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)
Есть ли другие тесты, которые я могу провести? Другие вещи, которые я могу попробовать? Чтомогбыть неправильным, который проявляет симптомы независимо от используемого оборудования?
Массив отлично работал годами, с периодической заменой дисков. На хосте не было никаких изменений программного обеспечения (если только я не был скомпрометирован и не знаю об этом, что, безусловно, возможно). Но отказ диска несколько месяцев назад привел к постоянной перестройке и в конечном итоге оставил меня в текущем состоянии.
Редактировать:Еще одна закономерность, которую я только что понял, не уверен, означает ли это что-нибудь. Диски в массиве sdb1через sdu1. Они не всегда видны загружающейся ОС в том же порядке, поэтому любой диск может изменить свою букву при перезагрузке. Когда диск постоянно выходил из строянемедленнопри mdadmперестроении это было /dev/sdq1. Но на протяжении текущих симптомов (медленное перестроение, корпус "повторно обнаруживает" его снова и снова, и в основном ошибки, зарегистрированные выше), это было /dev/sdu1.
Редактировать:Я скачал Knoppix 7.2, чтобы посмотреть, смогу ли я запустить массив и добавить туда диск. Просто чтобы посмотреть, может ли это быть проблема программного обеспечения. Те же самые симптомы. Итак... оборудование было заменено, программное обеспечение было заменено, но проблема осталась. Это ставит меня в тупик на данный момент.
Редактировать:Я также попробовал просто обнулить диск вот этим:
dd if=/dev/zero of=/dev/sdu bs=1M
Но те же симптомы сохраняются. На данный момент я подозреваю, что, возможно, что-то не так с контроллером, но каким образом я не понимаю. Каждая из двух карт работает, но по какой-то причине обе вместе не могут управлять таким количеством дисков? Может быть, это не имеет смысла, я просто пытаюсь определить закономерности здесь.
Редактировать:Вывод 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.
Обновлять:У меня может быть первый многообещающий прорыв в этом деле. Проведя последние 6 часов (с перерывами) за заменой дисков/корпусов/кабелей/карт и систематически пытаясь найти закономерность, я наконец нашел ее. И ту, которую я могу последовательно воспроизводить.
Он не любит горячую замену.
Он говорит, что делает. Он претендует на это. И он делает все возможное, чтобы сдержать это обещание. Но это ложь. Я не буду притворяться, что знаю что-либо о низкоуровневой аппаратной архитектуре и/или архитектуре ядра, которая играет в этом роль, но я могу, по крайней мере, логически определить воспроизводимую модель.
И я готов поспорить, что этим летом я начал эту историю с горячей заменой, даже не осознавая этого, и, скорее всего,вызванныйВ результате весь этот беспорядок syslogпоказывает, что ошибки, которые я наблюдаю, начались в июне, то есть как раз перед тем, как произошел крупный сбой, и как раз перед тем, как я уехал в Сан-Франциско на лето и не смог над ним поработать.
Но если я перезагружаюсь в любое время, когда мне нужно переместить диск, то пока я не вижу ошибок. 20-й диск был добавлен заново и перестраивается с правильной скоростью (что все еще занимает около 36 часов для диска на 2 ТБ), и я наблюдаю ( tail -f) syslog, который пока что был тихим.
Пройдет несколько дней, прежде чем я смогу сообщить об этом с уверенностью. Но пока все выглядит многообещающе. Ответ на этот вопросможетв итоге получается "не делайте горячую замену с Rosewill RSV-S5 на Linux", скрестив пальцы.
решение1
Хотя я до сих пор не очень хорошо разбираюсь в низкоуровневой архитектуре оборудования или драйверах ядра, которые им управляют, похоже, что «решение» в данном случае — не выполнять горячую замену дисков.
Итак, при использовании Rosewill RSV-S5 (или любого из его собратьев, я полагаю) на Linux (может быть, и на других системах тоже, я не знаю), никогда не делайте горячую замену. И если syslogкогда-нибудь скажет, что PORT_RSTбыло выполнено, перезагрузите на всякий случай.
Поначалу может показаться, что горячая замена работает. На диске не смонтирована FS, это просто пустой раздел, оборудование настроено для этого с направляющими для дисков и прочим, и когда вы вставляете новый диск, система распознает его и назначает ему устройство, с которым вы можете взаимодействовать. Но следите за этим, syslogчтобы быть в безопасности.