我遇到一個問題，伺服器運行一段時間（〜週/幾天）後，伺服器將開始讀取損壞的資料。例如，當我在全新啟動後運行檔案的 sha1sum 時，它保持不變。然而，過了一段時間，我將開始出現段錯誤，從那時起，每當我讀取此檔案時，我都會得到不同的 sha1sum。
我已經通過長時間測試檢查了 SMART，並且運行了擴展 memtest86+（12 次通過）
我的lspci如下：
00:00.0 主軸：Advanced Micro Devices [AMD] RS780 主軸 00:01.0 PCI 橋接器：Advanced Micro Devices [AMD] RS780 PCI 到 PCI 橋接器 (int gfx) 00:06.0 PCI 橋接器：Advanced Micro Devices [AMD] RS780 PCI 到 PCI 橋接器（PCIE 連接埠 2） 00:07.0 PCI 橋接器：Advanced Micro Devices [AMD] RS780 PCI 到 PCI 橋接器（PCIE 連接埠 3） 00:11.0 SATA 控制器：ATI Technologies Inc SB700/SB800 SATA 控制器 [AHCI 模式] 00:12.0 USB 控制器：ATI Technologies Inc SB700/SB800 USB OHCI0 控制器 00:12.1 USB 控制器：ATI Technologies Inc SB700 USB OHCI1 控制器 00:12.2 USB 控制器：ATI Technologies Inc SB700/SB800 USB EHCI 控制器 00:13.0 USB 控制器：ATI Technologies Inc SB700/SB800 USB OHCI0 控制器 00:13.1 USB 控制器：ATI Technologies Inc SB700 USB OHCI1 控制器 00:13.2 USB 控制器：ATI Technologies Inc SB700/SB800 USB EHCI 控制器 00:14.0 SMBus：ATI Technologies Inc SBx00 SMBus 控制器（修訂版 3c） 00:14.1 IDE 介面：ATI Technologies Inc SB700/SB800 IDE 控制器 00:14.3 ISA 橋接器：ATI Technologies Inc SB700/SB800 LPC 主控制器 00:14.4 PCI 橋接器：ATI Technologies Inc SBx00 PCI 至 PCI 橋 00:14.5 USB 控制器：ATI Technologies Inc SB700/SB800 USB OHCI2 控制器 00:18.0 主軸：Advanced Micro Devices [AMD] K10 [Opteron、Athlon64、Sempron] HyperTransport 配置 00:18.1 主橋：Advanced Micro Devices [AMD] K10 [Opteron、Athlon64、Sempron] 地址映射 00:18.2 主軸：Advanced Micro Devices [AMD] K10 [Opteron、Athlon64、Sempron] DRAM 控制器 00:18.3 主橋：Advanced Micro Devices [AMD] K10 [Opteron、Athlon64、Sempron] 雜項控制 00:18.4 主橋：Advanced Micro Devices [AMD] K10 [Opteron、Athlon64、Sempron] 連結控制 01:05.0 VGA 相容控制器：ATI Technologies Inc Radeon HD 3300 顯示卡 01:05.1 音訊設備：ATI Technologies Inc RS780 Azalia 控制器 02:00.0 乙太網路控制器：Atheros Communications Atheros AR8121/AR8113/AR8114 PCI-E 乙太網路控制器（rev b0） 03:00.0 FireWire (IEEE 1394)：威盛科技設備 3403
我真的需要一些幫助，你知道是什麼原因造成的嗎？這真的讓我很沮喪，因為它似乎完全隨機觸發，並且在我重新啟動之前不會消失。我還在該伺服器上使用KVM 進行虛擬化，並使用MD 進行軟體RAID，處理器是Phenom II X4 965。因此我不知道。
更新2010 年 6 月 21 日 好的，剛剛更換了主機板。仍然有同樣的錯誤。我找不到 CPU 錯誤；通過智慧測試，磁碟均報告正常。有人知道這可能是什麼？我正在把我的頭髮拉在這裡。
更新2010 年 6 月 22 日 所以我檢查了日誌並嘗試了另一個檔案系統，仍然是同樣的事情。順便說一句，這也全部在主機虛擬機器上。
答案1
我的直覺告訴我這是一個硬體問題，可能與熱有關（因為它在一段運行時間後出現）。很可能您的南橋或相關硬體有問題。
考慮在南橋上運行一些廣泛的事務測試，或者乾脆更換主機板。
您的作業系統保持穩定，但出現隨機 IO 錯誤通常會排除 CPU/記憶體的問題，因為這些錯誤往往會導致作業系統與其他軟體一起崩潰和燒毀。但核心的大部分內容是在啟動時從磁碟讀取的，並且從未被交換出，因此即使 Linux 系統無法從磁碟正確讀取，它也可以非常穩定。
答案2
損壞是發生在主機本身還是來賓電腦上？ qemu-kvm 中存在一個已知錯誤，會導致大型虛擬磁碟中的資料損壞（請參閱https://bugs.launchpad.net/ubuntu/+source/qemu-kvm/+bug/574665例如）
答案3
我同意@pehrs 的觀點，值得研究這個問題的熱方面，因為問題會隨著時間的推移而逐漸加劇。你們有什麼樣的伺服器？如今，大多數機架安裝件都配備了大量感測器，可用於監控硬體運作狀況。查看流明感測器。如果是戴爾伺服器，則戴爾奧姆薩包包可能會有幫助。我確信其他大公司也有自己的專有軟體包。
我也可能會拋出一些其他的想法——這些想法與您描述的問題僅在一段時間後出現的場景並不相符，但它們不會造成傷害。
就錯誤日誌而言，您是否在磁碟或 RAID 子系統的日誌中收到任何錯誤訊息？或在 dmesg 中？ Linux軟體-RAID HOTWO有一些關於您要尋找的錯誤類型的信息。像是電纜損壞之類的問題可能不會出現在驅動器的 SMART 自檢中，但您肯定會看到記錄的一些錯誤訊息。
RAID配置是什麼？ /proc/mdstat 中有什麼嗎？例如，如果伺服器有 3 個磁碟機 RAID 5，且其中一個磁碟機損壞，則可能會導致問題。
另外，檢查主機板/SCSI 卡等的韌體版本，看看它是否是最新的，或者是否存在與磁碟 I/O 相關的錯誤已修復。