Monitora lo stato del disco usando smartd (in smartmontools) su un server RAID 1 con software ad alta disponibilità

Ho un server con tre identiche unità 3TB SATA / 600: /dev/sda, /dev/sdb, /dev/sdc. Le unità sono partizionate, utilizzando GPT con tre partizioni ciascuna:

• 1 MB: partizione riservata per boot loader
• 1 GB: RAID1 / dev / md0 (ext2 (/ boot))
• 3 TB: RAID1 / dev / md1 (volume crittografato (LVM (gruppo di volumi (Swap, /, / etc, / home ...))))

Una delle tre unità è una riserva di riserva e le altre due sono attive nei set RAID. Funziona bene e sono in grado di eseguire l'avvio dopo aver disconnesso un singolo HDD. Voglio usare smartd (parte di smartmontools) per monitorare l' integrità delle unità e segnalare errori a syslog (che controllo usando logcheck ). Questo server dovrebbe avere la massima disponibilità possibile, ma è accettabile che le prestazioni vengano ridotte durante i test.

Ecco l'output di 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.

Sembra che il test offline sia supportato. Quando emetto smartctl -o on, smartctl -cmostra che Offline data collection statusè stato impostato su (0x82). Se emetto smartctl -o offlo stesso valore diventa (0x02).

Ho installato smartd per avviare con il server impostando start_smartd=yesin /etc/default/smartmontools. Come consiglieresti di configurare smartd modificando /etc/smartd.confper questo server? Descrivi ogni parametro che usi e perché lo usi nel modo in cui lo fai.

Aggiungerò la mia configurazione attuale come risposta. Sentiti libero di usarlo come base e migliorarlo nella tua risposta. Una migliore descrizione usando lo stesso set up sarebbe anche un miglioramento!

Abbiamo configurato tutti i nostri server per l'esecuzione di autotest regolari con la seguente riga in /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

Gli autotest sono IMO il tipo più affidabile di controllo dello stato che SMART offre.

MODIFICARE:

Potresti spiegare cosa -d removablefa?

Da 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.

Presumo che impedisce smartddi morire quando uno dei dischi monitorati svanisce ...? Non lo so per certo, ho appena aggiunto la -s L/../02/./17parte a quella riga. La linea originale:

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

è l'impostazione predefinita di Debian.

Sono passato da lunghi select,conttest di autotest a test. È come il lungo autotest, ma solo una fetta di disco alla volta. Pertanto, mentre il tempo di autotest più lungo può richiedere più di un giorno (con un disco da 3 TB altrimenti occupato), il test selettivo può essere eseguito ogni notte quando il server è il meno occupato e termina effettivamente, senza danneggiare le prestazioni nelle ore più occupate.

Quindi in pratica distribuiresti un autotest mensile lungo l'intero disco, a un test selettivo notturno che copre ancora l'intero disco nel corso di un mese.

Ci vuole un po 'di preparazione però.

• smartddeve essere eseguito con l' --savestatesopzione poiché i dischi stessi di solito non tengono traccia dell'ultima regione testata.
• È necessario avviare manualmente il primo autotest selettivo ( -t select,0-$size) in modo smartdda conoscere le dimensioni della fetta da testare ogni giorno. La dimensione determina la durata del test e il numero di giorni necessari per l'intero disco.
• Assicurarsi che la dimensione $ selezionata sia allineata alla dimensione del disco. Altrimenti si rischia che l'ultima fetta sia molto piccola (nel peggiore dei casi si perde una giornata a testare solo un singolo settore del disco).
• È necessario verificare che queste informazioni siano state effettivamente salvate nei file salvati come a volte no, quindi il test non verrà eseguito nel modo desiderato. (Anche la modifica diretta del file savestate è un'opzione).
• La sintassi per il smartd.conffile è -s c/../.././01(in questo esempio verrà eseguita ogni giorno all'01: 00).

Una volta fatto ciò, tuttavia, il processo è automatico e affidabile. Una volta raggiunta la fine del disco, inizierà automaticamente il giorno successivo. Leggi la smartctlmanpage relativa ai select,conttest.

Mentre i test lunghi o selettivi sono ottimi, probabilmente dovresti comunque eseguire i test di valutazione brevi o globali. Richiedono solo un tempo molto breve e possono aiutare a rilevare problemi generali.

Di solito utilizzo questo semplice controllo che è definito per unità e non globalmente per sistema (con DEVICESCANopzione). Sono interessato allo stato di integrità SMART e all'eventuale riallocazione di settori in sospeso e settori difettosi dall'ultimo test SMART. Eventuali eventi sospetti vengono inviati al mio indirizzo smart catch-all quindi:

/dev/sda -H -C 0 -U 0 -m smart@domain.tld

Su alcuni sistemi, ho definito l'esecuzione automatica di test automatici SMART in date specifiche. Questa specifica definisce l'esecuzione di test lunghi su due unità ogni domenica dopo la mezzanotte (ma non alle stesse ore - tra la mezzanotte e l'una e poi dalle 2):

/dev/sda -a -s L/../../7/00 -m smart@domain.tld
/dev/sdb -a -s L/../../7/02 -m smart@domain.tld

# 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)