高可用性ソフトウェアRAID 1サーバーでsmartd（smartmontools）を使用してディスクの状態を監視する

8

私は3つの同一のSATA / 600 3TBドライブを搭載したサーバーを持っています：/dev/sda、/dev/sdb、/dev/sdc。ドライブは、それぞれ3つのパーティションを持つGPTを使用してパーティション化されます。

1 MB：ブートローダー用の予約済みパーティション
1 GB：RAID1 / dev / md0（ext2（/ boot））
3 TB：RAID1 / dev / md1（暗号化されたボリューム（LVM（ボリュームグループ（スワップ、/、/ etc、/ home ...））））

3つのドライブの1つはホットスペアで、他の2つはRAIDセットでアクティブです。それは正常に動作し、単一のHDDを取り外した後で起動できます。私が使用したいとしてsmartd（のsmartmontoolsの一部を）（私が使用して監視しているsyslogにドライブとレポートエラーの状態を監視するためにlogcheckのを）。このサーバーはできるだけ高い可用性を備えている必要がありますが、テスト中にパフォーマンスが低下することは許容されます。

これは次の出力です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.

オフラインテストがサポートされているようです。発行するとsmartctl -o on、に設定されているsmartctl -cことOffline data collection statusが表示され(0x82)ます。smartctl -o off同じ値を発行するとになり(0x02)ます。

で設定することにより、サーバーで起動するようにsmartdを設定しstart_smartd=yesました/etc/default/smartmontools。/etc/smartd.confこのサーバー用に編集してsmartdを構成することをどのようにすすめますか？使用する各パラメータと、その使用方法を説明してください。

現在の設定を回答として追加します。それをベースとして自由に使用し、あなた自身の答えでそれを改善してください。同じ設定を使用したより良い説明も改善になるでしょう！

評判が低いため、まだ回答を投稿できません（1）。

RAID 1のホットスペアは奇妙です。mdadmは、RAID 1を3つのディスクに簡単に広げることができ、実際の3方向の冗長性と読み取りパフォーマンスの向上を実現します。

— frostschutz 2013

もともとRAID 5を使用することを目的としていたため、3つのドライブを購入しました。しかし、その後、「fakeraid」の組み込みは悪い選択肢であることを知り、私のユースケースではRAID 5もおそらく悪い考えであることも知りました。3つのアクティブなドライブでは書き込みパフォーマンスが（さらに）低下すると思うので、あなたの提案は良いオプションではないと思います。そして、ホットスペアは不思議ではありません。ドライブが故障してドライブが起動した場合、それは役に立ちます。

私は1〜2週間待って、どの回答が最も高く評価されているかを確認します。これは、回答にマークを付けるときに考慮に入れたいからです。

5

次の行を使用して、定期的にセルフテストを実行するようにすべてのサーバーを構成しました/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

セルフテストはIMOであり、SMARTが提供する最も信頼できる種類のヘルスチェックです。

編集：

何を説明できます-d removableか？

から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.

smartd監視されているディスクの1つが消えたときに死ぬのを防ぐと思います...？はっきりとはわかりませんが、-s L/../02/./17その行にパートを追加しただけです。元の行：

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

Debianのデフォルトです。

— マーティン・フォン・ウィッティッヒ
ソース

3

長いセルフselect,contテストからテストに切り替えました。これは長いセルフテストのようなものですが、一度に1つのディスクスライスのみです。そのため、長いセルフテストには1日以上かかることがありますが（それ以外はビジーな3TBディスクの場合）、選択的なテストは、サーバーが最もビジーでなく実際に終了する毎晩実行され、よりビジーな時間のパフォーマンスを損なうことはありません。

したがって、基本的には、ディスク全体の毎月の長いセルフテストを、1か月にわたってディスク全体をカバーする夜間の選択的テストに配布します。

ただし、準備は必要です。

smartd--savestatesディスク自体は通常、最後にテストされた領域を追跡しないため、オプションで実行する必要があります。
最初の選択的セルフテストを手動で開始する必要があります（-t select,0-$size）。これsmartdにより、毎日テストするスライスサイズがわかります。サイズによって、テストにかかる時間とディスク全体に及ぶ日数が決まります。
選択する$ sizeがディスクサイズと一致することを確認してください。そうしないと、最後のスライスが非常に小さくなる危険があります（最悪の場合、ディスクの1つのセクターのみをテストして1日を無駄にします）。
この情報が実際にsavestatesファイルになったことを確認する必要があります。そうしないと、テストが意図したとおりに実行されません。（savestateファイルを直接編集することもオプションです）。
smartd.confファイルの構文は次のとおりです-s c/../.././01（この例では、毎日午前1時に実行されます）。

ただし、それが完了すると、プロセスは自動的かつ信頼性の高いものになります。ディスクの終わりに達すると、翌日の初めに自動的に開始されます。テストsmartctlに関するマンページを読んでくださいselect,cont。

長いテストまたは選択的なテストは素晴らしいですが、おそらくまだ短いまたは全体的な評価テストを実行する必要があります。それらは非常に短い時間しかかからず、一般的な問題の検出に役立ちます。

— 霜降り
ソース

select,contテストであなたのアイデアが好きです。私はそれらに少し必死に掘る必要があります。SMARTは、私の長いセルフテストには14時間かかると報告していますが、これにはディスクへの負荷がまったくありません。

2

私は通常、ドライブごとに定義され、システムごとに（DEVICESCANオプションで）グローバルに定義されていないこの単純なチェックを使用します-全体的なSMARTヘルスステータス、および最後のSMARTテスト以降に保留中のセクターの再割り当てと障害のあるセクターがあるかどうかに興味があります。疑わしいイベントはすべて私のスマートキャッチオールアドレスにメールされます。

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

一部のシステムでは、特定の日付にSMARTセルフテストを自動的に実行するように定義しています。この仕様では、毎週日曜日の深夜2時以降に2台のドライブで長いテストを実行するように定義しています（ただし、同時には行われません。

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

— dsmsk80
ソース

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)