Tentando restringir um erro de disco

1

Estou tendo alguns erros estranhos em alguns discos rígidos e estou tendo problemas para restringir o problema. É parte de uma matriz RAID (RAID de software Linux, hardware de orçamento), então, quando ela saiu da matriz, minha primeira reação foi simplesmente trocá-la por uma sobressalente. Mas a reconstrução continuava falhando.

As unidades estão em gabinetes SATA externos de 5 unidades (4 gabinetes, 5 unidades cada) e notei que esse gabinete também estava apresentando sintomas estranhos. Normalmente, quando uma unidade é adicionada, as luzes piscam de certa maneira quando o replicador de porta SATA do gabinete detecta a nova unidade. E isso continuou acontecendo durante a reconstrução, o que implicava para mim que talvez o hardware do replicador de portas fosse o verdadeiro culpado.

Eu tenho um gabinete de reposição para esse problema, então troquei e coloquei as unidades no novo. Mas neste momento mdadmnão foi possível reconstruir a unidade. Sempre falhava imediatamente após iniciá-lo. Tentei duas unidades sobressalentes diferentes, o mesmo sintoma. Certamente eu não tive várias unidades falhar exatamente da mesma maneira , exatamente ao mesmo tempo ?

Os gabinetes se conectam a 2 placas controladoras SATA instaladas no host, 2 portas cada. Talvez tenha sido um dos cartões? Então, mudei os cabos SATA para que o gabinete "ofensivo" estivesse na outra placa. Mas o mesmo problema com o mesmo compartimento de unidade no mesmo gabinete persistiu.

Neste ponto, estou ficando sem coisas para testar. Eu tenho 2 unidades, 2 gabinetes e 2 placas controladoras no host. Qualquer combinação deles produz os mesmos problemas.

Neste ponto, mdadmestá atualmente tentando recriar a unidade (não sei por que não falhou dessa vez), mas a uma velocidade significativamente reduzida. Está flutuando entre 1/2 e 1/4 da velocidade normal. O gabinete de substituição também está re-detectando a unidade como a anterior.

Agora, eu não sei muito sobre o diagnóstico de hardware. Com hardware comum, geralmente é um ciclo de substituição. Mas todas as peças de reposição estão se comportando da mesma maneira neste caso, então não tenho certeza de qual é o problema. Venho pesquisando no Google algumas coisas que estou vendo, /var/log/syslogmas até agora não entendi muito disso. Posso dizer-lhe isso...

Quando o gabinete "detecta novamente" a unidade, isso aparece em 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

Outras mensagens preocupantes e muitas vezes repetidas se syslogparecem com:

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 }

e às vezes isso:

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)

Existem outros testes que posso executar? Outras coisas que eu posso tentar? O que poderia estar errado, apresentando sintomas independentemente do hardware que está sendo usado?

A matriz funciona bem há anos, com a substituição ocasional da unidade. Nenhuma alteração de software foi feita no host (a menos que eu tenha sido comprometida e não a conheça, o que certamente é possível). Mas uma falha na unidade há alguns meses resultou em constante reconstrução e, finalmente, me deixou no estado atual.

Edit: Outro padrão que eu acabei de perceber, não tenho certeza se isso significa alguma coisa. As unidades na matriz estão sdb1concluídas sdu1. Eles nem sempre são vistos pelo sistema operacional de inicialização na mesma ordem; portanto, qualquer unidade pode mudar sua letra na reinicialização. Quando a unidade estava constantemente falhando imediatamente após uma mdadmreconstrução, estava /dev/sdq1. Mas ao longo dos sintomas atuais (recriação lenta, gabinete "re-detectando" repetidamente e basicamente os erros registrados acima), tem sido /dev/sdu1.

Edit: Eu baixei o Knoppix 7.2 para ver se eu poderia iniciar a matriz e adicionar a unidade lá. Só para ver se talvez seja um problema de software. Mesmos sintomas exatos. Então ... o hardware foi substituído, o software foi substituído, mas o problema persiste. Isso me deixa em um beco sem saída no momento.

Edit: Eu também tentei zerar a unidade com isso:

dd if=/dev/zero of=/dev/sdu bs=1M

Mas os mesmos sintomas persistem. Neste ponto, estou suspeitando que talvez haja algo errado com o controlador, mas de uma maneira que não entendo. Cada uma das duas placas funciona, mas, por qualquer motivo, as duas juntas não conseguem gerenciar tantas unidades? Pode não fazer sentido, estou apenas tentando identificar padrões aqui.

Edit: Saída 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.

Atualização: talvez eu tenha minha primeira e promissora quebra nesta alcaparra. Depois de passar as últimas 6 horas (ativando e desativando) trocando unidades / gabinetes / cabos / placas e tentando sistematicamente encontrar um padrão, finalmente encontrei um. E um que eu sou capaz de reproduzir consistentemente.

Não gosta de troca quente.

Diz que sim. Pretende. E faz todos os esforços para manter essa promessa. Mas é mentira. Não pretendo saber nada sobre a arquitetura de hardware de baixo nível e / ou a arquitetura do kernel que desempenham um papel nisso, mas posso pelo menos determinar logicamente um padrão reproduzível.

E aposto que comecei o desastre de troca quente neste verão sem sequer perceber e provavelmente causou toda essa bagunça como resultado. syslogmostra que os erros que eu vi foram iniciados em junho, pouco antes da grande falha e pouco antes de eu passar o verão em SF e não poder trabalhar nisso.

Mas se eu reiniciar a qualquer momento, eu preciso mover um disco, até agora não estou vendo os erros. O 20º disco foi adicionado novamente e está sendo reconstruído na velocidade correta (que ainda leva aproximadamente 36 horas para um disco de 2 TB), e eu estou assistindo ( tail -f) syslogque até agora ficou silencioso.

Levará alguns dias até que eu possa relatar isso com confiança. Mas até agora parece promissor. A resposta para isso pode acabar sendo "não faça hot swap com um Rosewill RSV-S5 no Linux", com os dedos cruzados.

linux hard-drive software-raid David
fonte
Ok, eu sou um amador quando se trata de administração de hardware, mas você verificou os dados sata ou os cabos de alimentação sata? Você pode usar novos (de preferência comprar novos) apenas para ver se esse é o problema? Caso semelhante: askubuntu.com/questions/133946/are-these-sata-errors-dangerous - Seu problema realmente soa como um problema de cabo. Você verificou a saída SMART? A outra coisa que eu conseguia pensar é no fornecimento de energia ruim?
Savvas Radevic
@medigeek: Definitivamente vale a pena tentar. Mas a troca do gabinete e a troca dos cabos de volta para o controlador deveriam ter encontrado isso. Se fosse a fonte de alimentação ou o conector da unidade no gabinete, o gabinete de substituição deveria ter consertado. Se fosse o cabo SATA do gabinete para o controlador, quando eu o troquei pelo cabo do outro controlador, os sintomas deveriam ter sido movidos para o outro gabinete. Eu realmente sinto que um problema de software é a única opção restante, dada a experimentação até agora.
David
@medigeek: Eu tentei mexer com, smartctlmas ainda não descobri como obter informações significativas.
David
Se for uma invasão de software, como você mencionou, deve estar tudo bem .. você pode mostrar a saída de cat /proc/mdstatse ls /dev/sd[a-z]? Em seguida, tente smartctl -a /dev/sdXou smartctl -a -d ata /dev/sdX(onde Xé substituído por um dispositivo de carta /dev/sdXlistados com lscomando)
Savvas Radevic
@medigeek: mdstatnão mostra nada fora do comum (unidades 19/20, reconstrução da 20ª) e todas as 20 unidades estão na /dev/sd*lista (assim como na /proc/partitions). Eu adicionei a saída de smartctl -a -d ata /dev/sdupara a pergunta, espero que haja algo útil lá. Um colega sugeriu que poderia haver um problema de tempo quando as placas controladoras estavam se comunicando com as unidades. Talvez 20 unidades esteja ultrapassando um limite que eu não conheço?
David

Respostas:

0

Embora eu ainda não saiba muito sobre a arquitetura de baixo nível em torno do hardware ou dos drivers do kernel que o controlam, parece que a "solução" nesse caso é não trocar as unidades a quente.

Portanto, ao usar um Rosewill RSV-S5 (ou qualquer um de seus tipos, imagino) no Linux (talvez em outros sistemas também, não sei), nunca faça hot swap. E se syslogalguma vez disser que PORT_RSTfoi realizada, reinicie apenas para garantir a segurança.

A troca a quente pode parecer que funciona a princípio. Não há FS montado na unidade, é apenas uma partição simples, o hardware é configurado com trilhos de unidade e outros enfeites, e quando você coloca a nova unidade, o sistema a reconhece e atribui a ele um dispositivo com o qual você pode interagir. Mas fique de olho syslogapenas para estar seguro.

David
fonte