RAID vs. S.M.A.R.T

Merevlemezek, vezérlők

A problémám a következő:
Adott 3db teljesen egyforma gép debian lenny-vel, soft raid-el(WD15EARS hdd-k) ebből 2 teljesn tökéletesen működik. A harmadikról viszont múlt vasárnap éjszaka szólt a nagios, hogy az egyik hdd-t nem tudja elérni. Rá ssh-ztam, láttam failed-ben van egy de már syncelődik a spare. No sebaj majd reggel kicserélem a rosszat. Reggelre lett még egy failed állapotú. Kikaptam őket megnéztem egy másik gépben a kondíciójuk a hdsentinel alapján 11%, a másikat pedig nem lehetett olvasni. Gondoltam sikerült kifogni egy szar széria WD-t, rendeltem gyorsan 1,5 TB-os samukat. Amikor megjöttek bepakoltam 2-t, megcsináltam az új tömböt és hagytam syncelődni őket. Egyszercsak látom most a 2 samuból az egyikkel erőlködik(200 KB/s sebességgel). Na gondoltam ez kábel baj lesz, hát kicseréltem őket. Az az egy samu ugyanúgy szar volt a kábelcsere után is, na mondom biztos ekkora pechem van és az 5db samuból kifogtam az egy hibásat. Szóval csere. Elindult a tömb 2 db WD-vel(100 és 93%-osak) és 2 db samuval(2 db 100%-os). Most itt tartok(a harmadik oszlop a kondíciót jelöli): 


/dev/sda 30 100 23320 SAMSUNG_HD082GJ     S0VPJ9BQ108903    82580
/dev/sdb 32  98  9742 WDC_WD15EARS-00Z5B1 WD-WMAVU2824220 1430799
/dev/sdc 30  92  9743 WDC_WD15EARS-00Z5B1 WD-WMAVU2628990 1430799
/dev/sdd 19 100    74 SAMSUNG_HD154UI     S1XWJ9FZC01379  1548170
/dev/sde 19  11    74 SAMSUNG_HD154UI     S1XWJD6B300244  1548170

Közben csináltam egy upgrade-t squeeze-re, a hiba ugyanaz, X idő elteltével a raid tömbben található merevlemezek kondíciója folyamatosan csökken, egészen addig az állapotig amikor már teljesen olvashatatlan lesz. A hiba ennél az egy szervernél van a többi tökletesen működik. Esetleg valakinek valami ötlet?
Gondoltam még arra, hogy esetleg a táp szarozna(chieftec azt hiszem), de szerintem az egyszerre nyírná ki az összeset és úgy, hogy hirtelen halál lenne, nem pedig a kondíciójuk csökkenne. No meg a rendszervinyóval(sda) semmi probléma.

A smartctl kimenete az sde-re: 


=== START OF INFORMATION SECTION ===
Model Family:     SAMSUNG SpinPoint F2 EG series
Device Model:     SAMSUNG HD154UI
Serial Number:    S1XWJD6B300244
Firmware Version: 1AG01118
User Capacity:    1.500.301.910.016 bytes
Device is:        In smartctl database [for details use: -P show]
ATA Version is:   8
ATA Standard is:  ATA-8-ACS revision 3b
Local Time is:    Sun Jun 26 11:38:46 2011 CEST
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:  (0x00) Offline data collection activity
                                        was never started.
                                        Auto Offline Data Collection: Disabled.
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:                 (20028) 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:        (  35) minutes.
SCT capabilities:              (0x003f) 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     0x000f   099   099   051    Pre-fail  Always       -       9079
  3 Spin_Up_Time            0x0007   072   072   011    Pre-fail  Always       -       9190
  4 Start_Stop_Count        0x0032   100   100   000    Old_age   Always       -       6
  5 Reallocated_Sector_Ct   0x0033   077   077   010    Pre-fail  Always       -       1010
  7 Seek_Error_Rate         0x000f   253   253   051    Pre-fail  Always       -       0
  8 Seek_Time_Performance   0x0025   100   100   015    Pre-fail  Offline      -       0
  9 Power_On_Hours          0x0032   100   100   000    Old_age   Always       -       75
 10 Spin_Retry_Count        0x0033   100   100   051    Pre-fail  Always       -       0
 11 Calibration_Retry_Count 0x0012   100   100   000    Old_age   Always       -       0
 12 Power_Cycle_Count       0x0032   100   100   000    Old_age   Always       -       6
 13 Read_Soft_Error_Rate    0x000e   099   099   000    Old_age   Always       -       8649
183 Runtime_Bad_Block       0x0032   100   100   000    Old_age   Always       -       0
184 End-to-End_Error        0x0033   100   100   000    Pre-fail  Always       -       0
187 Reported_Uncorrect      0x0032   100   100   000    Old_age   Always       -       8649
188 Command_Timeout         0x0032   100   100   000    Old_age   Always       -       0
190 Airflow_Temperature_Cel 0x0022   081   076   000    Old_age   Always       -       19 (Lifetime Min/Max 19/24)
194 Temperature_Celsius     0x0022   081   075   000    Old_age   Always       -       19 (Lifetime Min/Max 19/25)
195 Hardware_ECC_Recovered  0x001a   100   100   000    Old_age   Always       -       890886094
196 Reallocated_Event_Count 0x0032   076   076   000    Old_age   Always       -       1010
197 Current_Pending_Sector  0x0012   098   097   000    Old_age   Always       -       79
198 Offline_Uncorrectable   0x0030   100   100   000    Old_age   Offline      -       0
199 UDMA_CRC_Error_Count    0x003e   253   253   000    Old_age   Always       -       0
200 Multi_Zone_Error_Rate   0x000a   100   100   000    Old_age   Always       -       0
201 Soft_Read_Error_Rate    0x000a   087   001   000    Old_age   Always       -       905

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.
  • 2560 megtekintés

( Rt711 v | 2011. 06. 26., v – 11:43 )

Lehet csak átugrottam, de nem láttam milyen filerendszert használsz, kérlek azt is írd le.

-
Debian Squeeze

( bubor | 2011. 06. 26., v – 11:52 )

en sokat szoptam green(EG samsungnal) vinyokkal, tap csere oldotta meg. Pont nekem is ez volt a gondom, hogy halodott el, folyamatosan cserelgettem a vinyokat es az uj masik marka is szar volt, en samsungot csereltem wdre. 5-10megabyte/seccel olvasott dd a vinyorol.

6-7 eves enermaxot ujra, talan ilyen 410w -> 470w, illetve ezzel egyutt sata tap kabelek jo reszetol megszabadultam, ujon majdnem eleg csati volt.
Nalunk meg az volt, hogy 1 eve ment a gep hibatlanul,es aztan elkezdett scsi hibakat dobni a vinyora, kicsereltem, majd 3het mulva ugyan az uj vinyora, kabel csere sem oldotta meg.
Samsung green tapasztalat, adott egy opteron server, alaplapi vezerlon 2 azonos 1.5terras vinyo, majd egyik doglik(media error), kabelcsere nem oldotta meg, visszavittem garanciabol, persze 100%os a samsung programja szerint. Szervizes mutogat mindenre, de konyorgom ment 1 evig jol, majd egyszer csak "kompatibilitasi" hiba lepett fol, de a masik vinyoval nincsen ilyen.

mi, anno, olyan 2000 körül istenítettük az enermax tápokat. aztán ráálltunk a chieftek házakra, abban meg chieftek tápok vannak alapból.
aztán ilyen 6-8 éves korukban két, nem kicsi (>=500w) enermax táp is elkezdett szarakodni (tipikus táp bánatok: gép random megfagy, resetel), lecseréltük őket is chieftekekre, azóta nincs gondja azoknak a gépeknek. a régi chieftekekkel sincs semmi gond.
gondolom nem kell magyarázni, hogy nekünk több enermax tápunk nem lesz...

400wattos chieftechet csereltunk surun (sok eve). Van egy 300watos chieftechem ami meg mindig kivalloan megy (sac 10eve). Sajnos ebben a "minosegi" de draga kategoriaban is ki kell lehet fogni szar seriakat mindket markanal. 6-8ev szep ido, foleg hogy mar azokat a tapokat nem lehet kapni, igy hiaba mondanam, hogy olyat senki ne vegyen :)

( osod88 v | 2011. 06. 26., v – 12:06 )

Nekem mostanában 2 alaplapon is megdöglött a sata vezérlő, teleszórta a smart logokat, menetközben "elfelejtette" a merevlemezeket, mindenféle egyéb anomáliát produkált. Lehet hogy kissé drasztikus megközelítés, de én kihajítanám a lapot mielőtt nagyobb kárt okoz az új merevlemezekben. Esetleg egy memtestet csinálnék még előtte, hátha csak a ram hibázgat.

( gax_colos | 2011. 06. 26., v – 12:12 )

tápcsere +1

hasonlót szívtam már én is. amikor a második új disk halt ki egy hónapon belül (valami régi P4 asus alaplap, különböző márkájú ide hdd -k, raid1), feltűnt, hogy a cd is halott volt a gépben.

( goodbyte v | 2011. 06. 26., v – 12:22 )

subs.

------------------------------------------
"Nincs ez el**szva, csak másra lesz jó!"

( uid_6201 v | 2011. 06. 26., v – 13:31 )

FORCE SATA I. A HDD-k egy részén jumperrel, más részén szoftverrel lehet ezt beállítani.
A SATA II már több alkalommal mutatta be instabil oldalát, így nálam sajnos ez a FORCE SATA I alap.

Továbbá egy alkalommal hibás SATA kábel ütötte szét a RAID-et véletlen időpontokban.

( Replaced | 2011. 06. 26., v – 14:08 )

taphiba bazzeg :D

--
NetBSD - Simplicity is prerequisite for reliability

( Zsugabubus | 2011. 06. 26., v – 15:11 )


5 Reallocated_Sector_Ct 0x0033 077 077 010 Pre-fail Always - 1010

Hogy mitől van, azt így meg nem mondom (kontakhibás tápkábel is ki tudja nyírni), de ez a winyó kuka

( andrej_ v | 2011. 06. 26., v – 16:06 )

Kísértetiesen hasonló gondom volt év elején. Hasonlóan haladtam a hibakeresésben és végül elszállt az agyam és cseréltem kábeleket,tápot és házat is. Azért step-by-step megnéztem, hogy mi javít a helyzeten és az új táp nyert. A lecserélt táp is egy chieftec volt, bár valszin 3 évnél régebbi.

( gyorik v | 2011. 07. 07., cs – 08:26 )

Ezidáig tesztidőszakot tartottam. Tápcsere megvolt egy Chieftec táp kijött egy FSP bement a helyére, a kondícióromlás megállt, kettőt kivéve(ezek tovább romlottak, mindkettő WD). A hibás diszkeket cseréltem, egy WD-nek a kondíciója állandóan változik 70-80% között, ez már a régi tápnál is a tömbben volt. Egyelőre így hagyom, várok még vele, hogy 1-2 hét alatt mennyit változik a diszk állapota. Egyébként a tömb funkcionálisan tökéletesen működik a syslogba sem pampog az mdadm, hogy nem tud valamit írni/olvasni. 


/dev/sda 26 100 23579 SAMSUNG_HD082GJ     S0VPJ9BQ108903    82580
/dev/sdb 33  97  9995 WDC_WD15EARS-00Z5B1 WD-WMAVU2824220 1430799
/dev/sdc 33  80  9996 WDC_WD15EARS-00Z5B1 WD-WMAVU2628990 1430799
/dev/sdd 22 100   334 SAMSUNG_HD154UI     S1XWJ9FZC01379  1548170
/dev/sde 21 100   239 SAMSUNG_HD154UI     S1XWJ9FZC01378  1548170
/dev/sdf 22 100   239 SAMSUNG_HD154UI     S1XWJ9FZC01377  1548170

Ha a Reallocated_Sector_Ct, a Reallocated_Event_Count, a Current_Pending_Sector vagy az Offline_Uncorrectable nem 0, akkor rendeld meg a cserevinyót.
Manapság a vinyókon van egy tartalék terület. Ha valamelyik sector esetén problémát gyanít, akkor forgalmon kívül helyezi és elvesz helyette a tartalékból. Ha elfogy a tartalék, akkor szívás. Szóval a helyedben nem várogatnám, hogy tovább emelkedjenek ezek az értékek. Csere.
Mi az hogy 70-80% a kondíciója egy vinyónak? Baromság! A konkrét értékeket kell nézni. És ha mázlija van az embernek, akkor még időben észreveszi és fennakadás nélkül cserélheti.

Csak ennyi:
Dw.

"Jegyezze fel a vádhoz - utasította Metcalf őrnagy a tizedest, aki tudott gyorsírni. - Tiszteletlenül beszélt a feljebbvalójával, amikor nem pofázott közbe."

Félreértesz. Tudom, hogy cserélni kell, még véletlenül sem hagynék bizonytalankodó diszket raid tömbben. Tartalék diszkek is vannak és tartalék gép is van helyette, ami üzemel. Most csak tesztelem, hogy mennyi idő múlva kerül olyan állapotba, amikor már fizikai hiba is jelentkezik. Csak érdekességképpen írtam. A kondíciója pedig mozog 70 és 80% között, hol fel-hol le. Van hogy 80%, másnap reggel 74%, a következő tesztkor megint 80%. Ez nem baromság így van. Csak ennyi.

Oké. De hogyan lehet értelmezni azt, hogy egy vinyó kondíciója 76%? Az sok? Kevés? És ha változik, akkor meddig változhat? Ha ugrál, akkor mi van? Ezért érzem úgy, hogy ez a "kondíció" baromság. Mert mit lehet vele kezdeni? Mert ha (Reallocated Sector Count != 0), akkor egyértelmű csere();. Persze lehet, hogy tévedek.

Egyébként nekem meg az öreg Enermax tápjaim jól muzsikálnak. Persze azok még a passzív PFC-s időkből valók...

Üdv,
Dw.

"Jegyezze fel a vádhoz - utasította Metcalf őrnagy a tizedest, aki tudott gyorsírni. - Tiszteletlenül beszélt a feljebbvalójával, amikor nem pofázott közbe."

A hdsentinel számolja valahogyan(a pontos műveletet nem ismerem, de nincs is rá szükség mivel változást figyelek) a smartctl alapján. Abból a szempontból nagyon jó, hogy írsz egy scriptet ami időközönként ellenőrzi a diszkek állapotát és ha változott az előző állapothoz képest vagy != 100 akkor a szükséges adatokat elküldi emailben. Én legalábbis így csináltam. És nem értem ez miért baromság. Ha csökkent a kondíció smartctl-el megnézem mi a probléma vele.

Thx.

Linux alatt egyébként maga a smartctl is beállítható, hogy loggolja a változásokat és logelemző programmal szépen lehet figyelni, hogy mi történik.

Viszont windows alá eddig nem ismertem erre való, ekvivalens programot. Lehet, hogy kipróbálom ezt.

Üdv:
Dw.

"Jegyezze fel a vádhoz - utasította Metcalf őrnagy a tizedest, aki tudott gyorsírni. - Tiszteletlenül beszélt a feljebbvalójával, amikor nem pofázott közbe."