Мониторинг состояния диска с помощью smartd (в smartmontools) на сервере RAID 1 с высокой доступностью

У меня есть сервер с тремя одинаковыми SATA / 600 3TB дисков: /dev/sda, /dev/sdb, /dev/sdc. Диски разделены, используя GPT с тремя разделами каждый:

• 1 МБ: зарезервированный раздел для загрузчика
• 1 ГБ: RAID1 / dev / md0 (ext2 (/ boot))
• 3 ТБ: RAID1 / dev / md1 (зашифрованный том (LVM (группа томов (Swap, /, / etc, / home ...))))

Один из трех дисков является горячим резервом, а два других активны в наборах RAID. Он работает нормально, и я могу загрузиться после отключения любого жесткого диска. Я хочу использовать smartd (часть smartmontools), чтобы отслеживать состояние дисков и сообщать об ошибках в системный журнал (который я отслеживаю с помощью logcheck ). Этот сервер должен иметь как можно более высокую доступность, но допустимо, чтобы производительность снижалась во время тестов.

Вот вывод 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.

Кажется, поддерживается автономное тестирование. Когда я выпускаю smartctl -o on, smartctl -cпоказывает, что Offline data collection statusбыло установлено на (0x82). Если я выдаю smartctl -o offто же значение становится (0x02).

Я настроил SmartD для запуска с сервером, установив start_smartd=yesв /etc/default/smartmontools. Как бы вы порекомендовали мне настроить SmartD путем редактирования /etc/smartd.confдля этого сервера? Пожалуйста, опишите каждый параметр, который вы используете, и почему вы используете его так, как вы это делаете.

Я добавлю мои текущие настройки в качестве ответа. Не стесняйтесь использовать это как основу и улучшить это в своем собственном ответе. Лучшее описание, использующее ту же настройку, также будет улучшением!

Мы настроили на всех наших серверах регулярные самотестирование со следующей строкой /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

Самотестирование - IMO самый надежный вид проверки здоровья, который предлагает SMART.

РЕДАКТИРОВАТЬ:

Не могли бы вы объяснить, что -d removableделает?

От 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.

Я предполагаю, что это предотвращает smartdсмерть, когда один из отслеживаемых дисков исчезает ...? Я не знаю наверняка, я просто добавил -s L/../02/./17часть к этой строке. Оригинальная линия:

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

по умолчанию используется в Debian.

Я переключился с долгих самотестирований на select,contтесты Это как длинный самотест, но только один кусочек диска за раз. Таким образом, хотя длительное самотестирование может занять более суток (при занятом диске объемом 3 ТБ), выборочный тест может выполняться каждую ночь, когда сервер наименее загружен и фактически завершается, без ущерба для производительности в часы наибольшей нагрузки.

Таким образом, в основном вы будете раздавать ежемесячную самопроверку всего диска на ночные выборочные тесты, которые по-прежнему охватывают весь диск в течение месяца.

Это требует некоторой подготовки, хотя.

• smartdдолжен работать с --savestatesопцией, так как сами диски обычно не отслеживают последний протестированный регион.
• Вы должны запустить первую выборочную самопроверку вручную ( -t select,0-$size), чтобы smartdзнать размер среза для проверки каждый день. Размер определяет, сколько времени займет тест и сколько дней будет на нем весь диск.
• Убедитесь, что выбранный вами размер $ соответствует размеру диска. В противном случае вы рискуете, что последний фрагмент будет очень маленьким (в худшем случае вы тратите день на тестирование только одного сектора диска).
• Вы должны убедиться, что эта информация действительно попала в файлы сохранения, а иногда нет, и тогда тест не будет выполняться так, как вы хотите. (Редактирование файла сохранения напрямую также является опцией).
• Синтаксис smartd.confфайла: -s c/../.././01(в этом примере он запускается каждый день в час ночи).

Как только это будет сделано, процесс будет автоматическим и надежным. Как только он достигнет конца диска, он автоматически запустится в начале следующего дня. Прочтите smartctlсправочную страницу о select,contтестах.

Несмотря на то, что длинные или выборочные тесты хороши, вам, вероятно, все равно следует проводить короткие или общие тестовые тесты. Они занимают очень короткое время и могут помочь выявить общие проблемы.

Я обычно использую эту простую проверку, которая определяется для каждого диска, а не для DEVICESCANвсей системы (с опцией) - меня интересует общее состояние работоспособности SMART и наличие перераспределения ожидающих секторов и неисправных секторов со времени последнего теста SMART. Любые подозрительные события отправляются на мой умный универсальный адрес:

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

В некоторых системах я решил запускать самотестирование SMART в определенные даты автоматически. Эта спецификация определяет запуск длинного теста на двух дисках каждое воскресенье после полуночи (но не в одно и то же время - с полуночи до 1 часа ночи, а затем с 2 часов ночи):

/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)