运维

概述

可能有时候会发现smartctl和storcli的故障报告有冲突，比如smart告诉你磁盘坏了，但是storcli却告诉你磁盘是正常的。

这是因为他们的敏感度不同，实际上smartctl的敏感度很高，他用来预测磁盘是否即将产生故障，而storcli敏感度相对较低，可能磁盘产生故障，或者临近故障时才会告警。

场景

准确的结论

  1. smartctl：报告预测性故障（Predictive Failure）

    • smartctl 直接读取硬盘的 SMART 数据，重点在于实时监控和预测潜在问题。它基于硬盘固件的自检和阈值判断，报告可能即将发生的故障。
    • 例如：
      • Seagate 盘：[asc=5d, ascq=30]（数据通道即将失败）。
      • Toshiba 盘：[asc=5d, ascq=43]（伺服即将失败，寻道错误率过高）。
    • 这些都是 预测性警告，表明硬盘检测到异常（如错误率升高、机械问题），但不一定意味着当前已经完全失效或无法使用。
    • 特点：敏感度高，倾向于提前预警，即使问题尚未影响实际读写。

  2. storcli：报告当前状态，故障确认较滞后

    • storcli 是通过 MegaRAID 控制器查询硬盘状态，主要反映当前的运行状态和控制器感知的错误。它更关注实际故障是否已经发生并影响到阵列的运行。
    • 例如：
      • 两块盘的 Media Error Count 和 Other Error Count 均为 0，说明当前没有未纠正的介质错误或非介质错误，磁盘仍在阵列中正常工作。
      • 但 Predictive Failure Count（Seagate 8 次，Toshiba 75 次）和 S.M.A.R.T alert flagged by drive = Yes 表明控制器也接收到了硬盘的 SMART 警告。
    • 特点：相对保守，只有当问题严重到导致未纠正错误或阵列受影响时，才会将磁盘标记为“故障”（如“Failed”或“Offline”）。

  3. 关键区别

    • smartctl 是预测性的：它告诉你“这个盘可能很快会出问题”，基于 SMART 数据提前报警。
    • storcli 是反应性的：它更倾向于在问题实际发生（例如未纠正错误、数据丢失）并影响阵列后，才明确报告“故障”状态。
    • 中间地带：storcli 的 Predictive Failure Count 是一个桥梁，记录了预测性警告的次数，但不会立即改变磁盘状态，除非问题进一步恶化。

举例说明

  • Seagate 盘：
    • smartctl：数据通道即将失败（预测性警告）。
    • storcli：Predictive Failure Count = 8，SMART alert = Yes，但无当前错误，状态仍正常。
    • 解读：smartctl 提前警告潜在问题，storcli 确认有预测性事件，但未达故障阈值。
  • Toshiba 盘：
    • smartctl：伺服即将失败，寻道错误率高（预测性警告）。
    • storcli：Predictive Failure Count = 75，SMART alert = Yes，但无当前错误，状态仍正常。
    • 解读：类似情况，但 Toshiba 盘的预测性事件更多（75 次），风险更高。

如果这两块盘未来出现未纠正错误（如介质错误增加），storcli 可能会将它们标记为“Failed”，而 smartctl 的预测将成为现实。

最终结论

  • smartctl：像“天气预报”，预测可能下雨（故障），让你提前准备。
  • storcli：像“雨伞”，等到真的下雨（故障影响阵列）才打开，但会记录“天气预报”的次数（Predictive Failure Count）。

只是 storcli 并非完全等到“出问题以后”才反应，而是在问题严重到一定程度时才明确报告“故障”。目前两块盘都处于“预测性风险”阶段，尚未达到 storcli 标记为坏盘的程度。

建议

  1. 信任谁？

    • 短期内以 smartctl 的预测为准，提前采取预防措施（如备份、测试）。
    • 长期观察 storcli，如果错误计数增加或阵列状态变化，再采取行动（如替换）。

  2. 行动计划

    • 对两块盘运行长时自检（smartctl -t long），确认问题严重性。
    • 备份数据，监控 Predictive Failure Count 和 SMART 属性。
    • 如果风险不可接受，建议直接替换磁盘（高次数预测故障更严重）。