web-dev-qa-db-ja.com

ディスクエラーが原因でRAID1の再構築が失敗する

クイック情報：H700アダプタのRAID1に2x500GBドライブを搭載したDell R410

最近、サーバー上のRAID1アレイのドライブの1つに障害が発生したため、ドライブ0と呼びます。RAIDコントローラーはそれを障害としてマークし、オフラインにしました。障害のあるディスクを新しいディスク（同じシリーズとメーカー、少し大きい）と交換し、新しいディスクをホットスペアとして構成しました。

Drive1からの再構築がすぐに開始され、1.5時間後に、Drive1が失敗したというメッセージが表示されました。サーバーが応答せず（カーネルパニック）、再起動が必要でした。このエラーの再構築の30分前が約40％であったことを考えると、新しいドライブはまだ同期していないと推定し、ドライブ1だけで再起動しようとしました。

RAIDコントローラーはRAIDアレイの欠落について少し不満を言っていましたが、ドライブ1で外部RAIDアレイが見つかり、インポートしました。サーバーが起動し、実行されます（劣化したRAIDから）。

これがSMARTディスクのデータです。ドライブ0（最初に故障したもの）

ID# ATTRIBUTE_NAME          FLAGS    VALUE WORST THRESH FAIL RAW_VALUE
  1 Raw_Read_Error_Rate     POSR-K   200   200   051    -    1
  3 Spin_Up_Time            POS--K   142   142   021    -    3866
  4 Start_Stop_Count        -O--CK   100   100   000    -    12
  5 Reallocated_Sector_Ct   PO--CK   200   200   140    -    0
  7 Seek_Error_Rate         -OSR-K   200   200   000    -    0
  9 Power_On_Hours          -O--CK   086   086   000    -    10432
 10 Spin_Retry_Count        -O--CK   100   253   000    -    0
 11 Calibration_Retry_Count -O--CK   100   253   000    -    0
 12 Power_Cycle_Count       -O--CK   100   100   000    -    11
192 Power-Off_Retract_Count -O--CK   200   200   000    -    10
193 Load_Cycle_Count        -O--CK   200   200   000    -    1
194 Temperature_Celsius     -O---K   112   106   000    -    31
196 Reallocated_Event_Count -O--CK   200   200   000    -    0
197 Current_Pending_Sector  -O--CK   200   200   000    -    0
198 Offline_Uncorrectable   ----CK   200   200   000    -    0
199 UDMA_CRC_Error_Count    -O--CK   200   200   000    -    0
200 Multi_Zone_Error_Rate   ---R--   200   198   000    -    3

そしてドライブ1（再構築が試みられるまでコントローラーから正常であると報告されたドライブ）

ID# ATTRIBUTE_NAME          FLAGS    VALUE WORST THRESH FAIL RAW_VALUE
  1 Raw_Read_Error_Rate     POSR-K   200   200   051    -    35
  3 Spin_Up_Time            POS--K   143   143   021    -    3841
  4 Start_Stop_Count        -O--CK   100   100   000    -    12
  5 Reallocated_Sector_Ct   PO--CK   200   200   140    -    0
  7 Seek_Error_Rate         -OSR-K   200   200   000    -    0
  9 Power_On_Hours          -O--CK   086   086   000    -    10455
 10 Spin_Retry_Count        -O--CK   100   253   000    -    0
 11 Calibration_Retry_Count -O--CK   100   253   000    -    0
 12 Power_Cycle_Count       -O--CK   100   100   000    -    11
192 Power-Off_Retract_Count -O--CK   200   200   000    -    10
193 Load_Cycle_Count        -O--CK   200   200   000    -    1
194 Temperature_Celsius     -O---K   114   105   000    -    29
196 Reallocated_Event_Count -O--CK   200   200   000    -    0
197 Current_Pending_Sector  -O--CK   200   200   000    -    3
198 Offline_Uncorrectable   ----CK   100   253   000    -    0
199 UDMA_CRC_Error_Count    -O--CK   200   200   000    -    0
200 Multi_Zone_Error_Rate   ---R--   100   253   000    -    0

SMARTからの拡張エラーログで私は見つけました：

ドライブ0のエラーは1つだけです

Error 1 [0] occurred at disk power-on lifetime: 10282 hours (428 days + 10 hours)
  When the command that caused the error occurred, the device was active or idle.

  After command completion occurred, registers were:
  ER -- ST COUNT  LBA_48  LH LM LL DV DC
  -- -- -- == -- == == == -- -- -- -- --
  10 -- 51 00 18 00 00 00 6a 24 20 40 00  Error: IDNF at LBA = 0x006a2420 = 6956064

  Commands leading to the command that caused the error were:
  CR FEATR COUNT  LBA_48  LH LM LL DV DC  Powered_Up_Time  Command/Feature_Name
  -- == -- == -- == == == -- -- -- -- --  ---------------  --------------------
  61 00 60 00 f8 00 00 00 6a 24 20 40 00 17d+20:25:18.105  WRITE FPDMA QUEUED
  61 00 18 00 60 00 00 00 6a 24 00 40 00 17d+20:25:18.105  WRITE FPDMA QUEUED
  61 00 80 00 58 00 00 00 6a 23 80 40 00 17d+20:25:18.105  WRITE FPDMA QUEUED
  61 00 68 00 50 00 00 00 6a 23 18 40 00 17d+20:25:18.105  WRITE FPDMA QUEUED
  61 00 10 00 10 00 00 00 6a 23 00 40 00 17d+20:25:18.104  WRITE FPDMA QUEUED

しかし、ドライブ1には883エラーがあります。最後のエラーはほとんど表示されず、表示されるすべてのエラーは次のようになります。

Error 883 [18] occurred at disk power-on lifetime: 10454 hours (435 days + 14 hours)
  When the command that caused the error occurred, the device was active or idle.

  After command completion occurred, registers were:
  ER -- ST COUNT  LBA_48  LH LM LL DV DC
  -- -- -- == -- == == == -- -- -- -- --
  01 -- 51 00 80 00 00 39 97 19 c2 40 00  Error: AMNF at LBA = 0x399719c2 = 966203842

  Commands leading to the command that caused the error were:
  CR FEATR COUNT  LBA_48  LH LM LL DV DC  Powered_Up_Time  Command/Feature_Name
  -- == -- == -- == == == -- -- -- -- --  ---------------  --------------------
  60 00 80 00 00 00 00 39 97 19 80 40 00  1d+00:25:57.802  READ FPDMA QUEUED
  2f 00 00 00 01 00 00 00 00 00 10 40 00  1d+00:25:57.779  READ LOG EXT
  60 00 80 00 00 00 00 39 97 19 80 40 00  1d+00:25:55.704  READ FPDMA QUEUED
  2f 00 00 00 01 00 00 00 00 00 10 40 00  1d+00:25:55.681  READ LOG EXT
  60 00 80 00 00 00 00 39 97 19 80 40 00  1d+00:25:53.606  READ FPDMA QUEUED

これらのエラーを考慮して、RAIDを再構築する方法はありますか、それともバックアップを作成し、サーバーをシャットダウンし、ディスクを新しいものと交換して復元する必要がありますか？ USB/CDで実行されているLinuxから新しいディスクに障害のあるディスクを追加した場合はどうなりますか？

また、誰かがより多くの経験を持っている場合、それらのエラーの原因は何でしょうか？安っぽいコントローラーまたはディスク？ディスクは約1年前のものですが、両方が非常に短い時間内に死ぬことは私にはかなり信じられません。

raidraid1dell-percsmart
2
overlord_tm

実際、ディスクが両方ともメーカーの同じバッチのものである場合、それらがほぼ同時に故障することはそれほど驚くべきことではありません。

それらは同じ製造プロセス、環境、および使用パターンを持っています。そのため、私は通常、異なるベンダーから同じモデルのドライブを注文しようとします。

ここでの私の好ましい行動方針は、製造元に連絡し、より良いディスクと交換し、バックアップから復元することです。

DDでも問題はありませんが、通常はできるだけ早くサービスを開始する必要があります。

IBM Deskstarsの大失敗の日に、4年間使用してから6週間以内に8台のディスクのセット全体が故障しました。私は自分のデータをそのままにして、それからかろうじて抜け出しました。

2
Magellan