Überwachen Sie den Festplattenzustand mithilfe von smartd (in smartmontools) auf einem RAID 1-Server mit Hochverfügbarkeitssoftware

8

Ich habe einen Server mit drei identischen SATA / 600 3 TB Laufwerke: /dev/sda, /dev/sdb, /dev/sdc. Die Laufwerke werden mithilfe von GPT mit jeweils drei Partitionen partitioniert:

  • 1 MB: Reservierte Partition für Bootloader
  • 1 GB: RAID1 / dev / md0 (ext2 (/ boot))
  • 3 TB: RAID1 / dev / md1 (verschlüsseltes Volume (LVM (Volume-Gruppe (Swap, /, / etc, / home ...)))

Eines der drei Laufwerke ist ein Ersatzlaufwerk und die anderen beiden sind in den RAID-Sets aktiv. Es funktioniert einwandfrei und ich kann nach dem Trennen einer einzelnen Festplatte booten. Ich möchte smartd (Teil von smartmontools) verwenden , um den Zustand der Laufwerke zu überwachen und Fehler an syslog zu melden (das ich mit logcheck überwache ). Dieser Server sollte so hoch wie möglich verfügbar sein, es ist jedoch akzeptabel, dass die Leistung während der Tests verringert wird.

Hier ist die Ausgabe von smartctl -a /dev/sda:

smartctl 5.41 2011-06-09 r3365 [x86_64-linux-3.2.0-4-amd64] (local build)
Copyright (C) 2002-11 by Bruce Allen, http://smartmontools.sourceforge.net

=== START OF INFORMATION SECTION ===
Device Model:     WDC WD30EZRX-00MMMB0
Serial Number:    WD-WMAWZ0412093
LU WWN Device Id: 5 0014ee 2b19fbdcd
Firmware Version: 80.00A80
User Capacity:    3,000,592,982,016 bytes [3.00 TB]
Sector Sizes:     512 bytes logical, 4096 bytes physical
Device is:        Not in smartctl database [for details use: -P showall]
ATA Version is:   8
ATA Standard is:  Exact ATA specification draft version not indicated
Local Time is:    Fri Sep 27 15:37:25 2013 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:  (0x82) Offline data collection activity
                    was completed without error.
                    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:        (50280) 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:          (0x3035) SCT Status 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   200   200   051    Pre-fail  Always       -       0
  3 Spin_Up_Time            0x0027   148   148   021    Pre-fail  Always       -       9575
  4 Start_Stop_Count        0x0032   100   100   000    Old_age   Always       -       95
  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   099   099   000    Old_age   Always       -       820
 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       -       93
192 Power-Off_Retract_Count 0x0032   200   200   000    Old_age   Always       -       65
193 Load_Cycle_Count        0x0032   196   196   000    Old_age   Always       -       12824
194 Temperature_Celsius     0x0022   119   116   000    Old_age   Always       -       33
196 Reallocated_Event_Count 0x0032   200   200   000    Old_age   Always       -       0
197 Current_Pending_Sector  0x0032   200   200   000    Old_age   Always       -       0
198 Offline_Uncorrectable   0x0030   200   200   000    Old_age   Offline      -       0
199 UDMA_CRC_Error_Count    0x0032   200   200   000    Old_age   Always       -       0
200 Multi_Zone_Error_Rate   0x0008   200   200   000    Old_age   Offline      -       0

SMART Error Log Version: 1
No Errors Logged

SMART Self-test log structure revision number 1
Num  Test_Description    Status                  Remaining  LifeTime(hours)  LBA_of_first_error
# 1  Short offline       Completed without error       00%       787         -
# 2  Extended offline    Completed without error       00%       727         -

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.

Es scheint, dass Offline-Tests unterstützt werden. Wenn ich ausstelle smartctl -o on, smartctl -czeigt das Offline data collection statuseingestellt wurde (0x82). Wenn ich smartctl -o offden gleichen Wert ausstelle wird (0x02).

Ich habe einrichten smartd mit dem Server zu starten , indem Sie start_smartd=yesin /etc/default/smartmontools. Wie würden Sie empfehlen, dass ich smartd durch Bearbeiten /etc/smartd.conffür diesen Server konfiguriere ? Bitte beschreiben Sie jeden Parameter, den Sie verwenden, und warum Sie ihn so verwenden, wie Sie es tun.

Ich werde mein aktuelles Setup als Antwort hinzufügen. Fühlen Sie sich frei, es als Basis zu verwenden und es in Ihrer eigenen Antwort zu verbessern. Eine bessere Beschreibung mit demselben Setup wäre auch eine Verbesserung!


quelle
Ich kann meine Antwort aufgrund meines schlechten Rufs noch nicht veröffentlichen (1).
Hot Spare mit RAID 1 ist seltsam, mdadm kann RAID 1 problemlos über drei Festplatten verteilen und bietet echte Drei-Wege-Redundanz und erhöhte Leseleistung.
Frostschutz
Ich wollte ursprünglich RAID 5 verwenden, weshalb ich drei Laufwerke gekauft habe. Aber dann habe ich gelernt, dass der Build in "fakeraid" eine schlechte Option ist und ich habe auch gelernt, dass RAID 5 für meinen Anwendungsfall wahrscheinlich auch eine schlechte Idee ist. Ich denke nicht, dass Ihr Vorschlag eine gute Option ist, da ich denke, dass die Schreibleistung bei drei aktiven Laufwerken (noch mehr) darunter leiden wird. Und ein heißer Ersatz ist nicht seltsam. Wenn ein Laufwerk stirbt, wird es aktiviert. Ich finde das nützlich.
Ich werde ein oder zwei Wochen warten und sehen, welche Antwort am meisten positiv bewertet wird, da ich dies gerne berücksichtigen möchte, wenn ich meine Antwort markiere.

Antworten:

5

Wir haben alle unsere Server so konfiguriert, dass sie regelmäßige Selbsttests mit der folgenden Zeile ausführen /etc/smartd.conf:

# DEVICESCAN matches all hard disks found in /dev/ and applies the following
# options to them.
#
# Default options from Debian:
# -d removable     don't exit when the device when a device vanishes
# -n standby       don't wake a device up that is sleeping
# -m root          send error reports to root
# -M exec ...      pipe the mail through that script
#
# Our options:
# -s L/../02/./17  run a long selftest on every 2nd of every month
#                  at 17 o'clock
DEVICESCAN -d removable -n standby -m root -M exec /usr/share/smartmontools/smartd-runner -s L/../02/./17

Selbsttests sind IMO die zuverlässigste Art von Gesundheitscheck, die SMART anbietet.


BEARBEITEN:

Könnten Sie bitte erklären, was -d removabletut?

Von man smartd.conf:

          removable - the device or its media is  removable.   This  indi‐
          cates  to  smartd  that  it should continue (instead of exiting,
          which is the default behavior) if the device does not appear  to
          be  present  when smartd is started.  This Directive may be used
          in conjunction with the other ´-d´ Directives.

Ich nehme an, es verhindert das smartdAbsterben, wenn eine der überwachten Festplatten verschwindet ...? Ich weiß es nicht genau, ich habe gerade den -s L/../02/./17Teil zu dieser Zeile hinzugefügt . Die ursprüngliche Zeile:

DEVICESCAN -d removable -n standby -m root -M exec /usr/share/smartmontools/smartd-runner

ist die Standardeinstellung von Debian.

Martin von Wittich
quelle
3

Ich wechselte von langen Selbsttests zu select,contTests. Es ist wie der lange Selbsttest, aber immer nur eine Scheibe auf einmal. Während der lange Selbsttest weit über einen Tag dauern kann (mit einer ansonsten ausgelasteten 3-TB-Festplatte), kann der selektive Test jede Nacht ausgeführt werden, wenn der Server am wenigsten ausgelastet ist und tatsächlich beendet wird, ohne die Leistung in den geschäftigeren Stunden zu beeinträchtigen.

Im Grunde würden Sie also einen monatlich langen Selbsttest der gesamten Festplatte an einen nächtlichen selektiven Test verteilen, der die gesamte Festplatte über einen Monat hinweg abdeckt.

Es bedarf allerdings einiger Vorbereitungen.

  • smartdmuss mit der --savestatesOption ausgeführt werden, da die Festplatten selbst normalerweise nicht die zuletzt getestete Region verfolgen.
  • Sie müssen den ersten selektiven Selbsttest manuell starten ( -t select,0-$size), damit Sie smartddie Slice-Größe kennen, die jeden Tag getestet werden soll. Die Größe bestimmt, wie lange der Test dauert und wie viele Tage die gesamte Festplatte umfasst.
  • Stellen Sie sicher, dass die ausgewählte $ -Größe mit der Festplattengröße übereinstimmt. Andernfalls riskieren Sie, dass der letzte Slice sehr klein ist (im schlimmsten Fall verschwenden Sie einen Tag damit, nur einen einzelnen Sektor der Festplatte zu testen).
  • Sie müssen überprüfen, ob diese Informationen tatsächlich in die Savestates-Dateien gelangt sind, da dies manchmal nicht der Fall ist. Anschließend wird der Test nicht wie gewünscht ausgeführt. (Eine direkte Bearbeitung der Savestate-Datei ist ebenfalls möglich.)
  • Die Syntax für die smartd.confDatei lautet -s c/../.././01(in diesem Beispiel wird sie jeden Tag um 1 Uhr morgens ausgeführt).

Sobald dies erledigt ist, ist der Prozess jedoch automatisch und zuverlässig. Sobald das Ende der Festplatte erreicht ist, wird es am nächsten Tag automatisch am Anfang gestartet. Lesen Sie die smartctlManpage zu select,contTests.

Während die langen oder selektiven Tests großartig sind, sollten Sie wahrscheinlich immer noch die kurzen oder allgemeinen Bewertungstests durchführen. Sie dauern nur sehr kurze Zeit und können helfen, allgemeine Probleme zu erkennen.

Frostschutz
quelle
Ich mag deine Idee mit select,contTests. Ich werde ein bisschen tiefer in diese graben müssen. SMART berichtet, dass mein langer Selbsttest 14 Stunden dauern wird, und das ohne jegliche Belastung der Festplatte.
2

Normalerweise verwende ich diese einfache Prüfung, die pro Laufwerk und nicht global pro System definiert ist (mit DEVICESCANOption). Ich interessiere mich für den allgemeinen SMART-Integritätsstatus und dafür, ob seit dem letzten SMART-Test eine ausstehende Neuzuweisung von Sektoren und fehlerhafte Sektoren vorliegen. Alle verdächtigen Ereignisse werden dann an meine intelligente Sammeladresse gesendet:

/dev/sda -H -C 0 -U 0 -m [email protected]

Auf einigen Systemen habe ich festgelegt, dass SMART-Selbsttests an bestimmten Daten automatisch ausgeführt werden. Diese Spezifikation definiert, dass jeden Sonntag nach Mitternacht ein langer Test auf zwei Laufwerken durchgeführt wird (jedoch nicht zur gleichen Zeit - zwischen Mitternacht und 1 Uhr morgens und dann ab 2 Uhr morgens):

/dev/sda -a -s L/../../7/00 -m [email protected]
/dev/sdb -a -s L/../../7/02 -m [email protected]
dsmsk80
quelle
2
# DEVICESCAN      For all disks with SMART capabilities.
#
# -o off          Turn off automatic running of offline tests. An offline test
#                 is a test which may degrade performance.
#
# -n standby      Do not spin up the disk for the periodic 30 minute (default)
#                 SMART status polling, instead wait until the disk is active
#                 again and poll it then.
#
# -W 2            Report temperature changes of at least 2 degrees celsius since
#                 the last reading. Also report if a new min/max temperature is
#                 detected.
#
# -S on           Auto save attributes such as how long the disk has been powered
#                 on, min and max disk temperature.
#
# -s (L/../.[02468]/1/04|S/../.[13579]/1/04)
#     '-------a--------' '--------b-------'
#
#                 a: Long test on    even monday mornings at 04:00
#                 b: Short test on uneven monday mornings at 04:00

DEVICESCAN -o off -n standby -W 2 -S on -s (L/../.[02468]/1/04|S/../.[13579]/1/04)

quelle