Comment déterminer si la cause réelle est un disque RAID défaillant ou une baie de disque défectueuse

Un membre RAID retiré ne signifie pas automatiquement que le disque a échoué. La cause réelle est le composant auquel l’erreur se rapporte après des vérifications contrôlées et un échange hors tension.

Commencez par préserver l’état de l’ensemble, en enregistrant le numéro de série du disque et la baie, en comparant les attributs SMART du support avec les erreurs de connexion, et en lisant les journaux du contrôleur. Ensuite, ne changez qu’une seule variable matérielle à la fois. Cette méthode vous aide à éviter de remplacer un disque sain ou de reconstruire via une baie défectueuse.

Arrêtez-vous avant de reconstruire ou de retirer un autre disque

Un ensemble dégradé a moins de marge pour une autre erreur ou défaillance. Confirmez que des données irremplaçables existent sur une sauvegarde séparée lisible, sauvegardez l’état actuel du stockage et réduisez les écritures évitables avant de changer le matériel.

Capturez des captures d’écran ou des exportations de l’état du RAID, de la liste des disques physiques, des rapports SMART et des événements du contrôleur. Enregistrez l’heure de l’alerte, le membre logique affecté, la baie signalée, le modèle, le numéro de série et tous les compteurs de média, de délai d’attente, de réinitialisation ou de reconnexion. Ne réinitialisez pas les compteurs tant que ces preuves ne sont pas stockées en dehors de l’ensemble.

Ne lancez pas une reconstruction simplement pour voir si le disque tombe à nouveau. Une reconstruction augmente les E/S soutenues sur les membres survivants et peut masquer si le premier problème venait du disque, de son chemin de connexion ou d’un composant partagé du contrôleur.

Associer l’alerte à un disque physique, pas seulement à un numéro de baie

Le logiciel RAID peut afficher un nom de périphérique du système d’exploitation, un emplacement de contrôleur, une adresse d’enceinte ou un numéro de membre virtuel. Ces étiquettes ne sont pas toujours permanentes, donc l’identité la plus sûre est le numéro de série du disque ou le WWN associé au plateau physique.

Un guide pratique de dépannage recommande d’enregistrer le numéro de série du disque car les identifiants des appareils peuvent changer. Construisez une petite carte contenant le membre RAID, le périphérique OS, le numéro de série ou WWN, la baie, le port du contrôleur et l’horodatage de l’alerte.

Utilisez une LED de localisation uniquement comme aide à la confirmation. Avant de retirer quoi que ce soit, comparez le numéro de série affiché avec l’étiquette sur le plateau ou le disque. Retirer un membre sain par erreur peut transformer un ensemble dégradé récupérable en une défaillance multi-disques.

Séparer les erreurs liées au support de stockage des erreurs de liaison

Les preuves liées au support de stockage pointent vers l'intérieur, vers les plateaux, la mémoire flash, les têtes ou l'électronique du disque. Les secteurs réalloués, les erreurs non corrigibles signalées, les secteurs en attente actuels et les secteurs non corrigibles hors ligne font partie des cinq indicateurs SMART que Backblaze utilise pour décider quels disques durs nécessitent une investigation.

Cherchez des changements au fil du temps plutôt que de considérer chaque valeur brute non nulle comme un verdict. Une augmentation du compteur média, des erreurs de lecture répétées à des emplacements similaires ou un autotest étendu échoué rendent le disque lui-même plus suspect. Un statut SMART global « réussi » n’exclut pas une défaillance intermittente ou en développement.

Les preuves de connexion pointent vers l’extérieur, vers le chemin entre le disque et le contrôleur. Les erreurs UDMA CRC comptent les transferts échoués sur le lien SATA ; une augmentation peut indiquer un câble, un connecteur, un backplane, une interface de contrôleur ou un chemin de PCB de disque plutôt qu’un média endommagé.

Utilisez les journaux pour trouver la couche défaillante.

Les données SMART montrent ce que le disque a enregistré, tandis que les journaux système et contrôleur montrent comment la pile de stockage a perdu le contact. Séparez les erreurs média ou de lecture des temporisations de commande, réinitialisations de lien, suppressions d’appareil, reconnexions, événements d’alimentation et réinitialisations de contrôleur.

Un seul numéro de série qui signale des erreurs média où qu’il soit connecté indique une défaillance du disque. Plusieurs disques tombant de baies partageant un câble, un connecteur de backplane, un groupe de ports HBA ou une branche d’alimentation indiquent un chemin partagé. Une défaillance qui n’apparaît que lors d’une forte activité d’E/S peut révéler un problème de connexion marginal ou d’alimentation que les vérifications à l’arrêt ne détectent pas.

Construisez une chronologie au lieu de lire des messages isolés. Associez chaque chute au même numéro de série, baie, charge de travail et canal de contrôleur. La question utile n’est pas de savoir si une ligne de journal semble grave, mais si le même composant reste commun à plusieurs incidents répétés.

Remettez en place le chemin avant d’échanger les baies.

Arrêtez l’ensemble et éteignez-le sauf si le châssis et la plateforme RAID prennent explicitement en charge l’action de remplacement à chaud exacte que vous prévoyez d’effectuer. Une baie compatible avec le remplacement à chaud ne rend pas automatiquement les déplacements positionnels ou les échanges de diagnostic sûrs pendant que l’ensemble est actif.

Remettez le disque dans son caddy, puis inspectez le chemin des données et de l’alimentation qui dessert la baie. Selon le système, ce chemin peut inclure un connecteur SATA ou SAS, un câble de dérivation, une prise de backplane, un HBA, une carte RAID, un faisceau d’alimentation et une connexion d’enceinte. Recherchez un mauvais positionnement, des loquets endommagés, des débris, des contacts pliés, une tension sur le câble ou un connecteur partagé desservant plusieurs baies affectées.

Après avoir remis en place, enregistrez une nouvelle référence pour les compteurs CRC, de temporisation et de média. Reproduisez la charge de travail initiale avec une lecture contrôlée ou une charge de service normale avant de lancer une reconstruction. Si les compteurs de connexion cessent d’augmenter et que le disque reste présent, l’événement initial peut avoir été un problème de contact temporaire.

Effectuez un test d'isolation contrôlé du disque et de la baie

Le test décisif change une variable tout en préservant l'identité du disque et la sécurité de l'ensemble RAID. Ne supposez pas que chaque implémentation RAID peut accepter des membres dans des emplacements différents. Vérifiez d'abord le comportement de remplacement ou d'importation de la plateforme, gardez la carte des numéros de série visible, et utilisez une procédure hors tension en cas de doute.

1. Vérifiez que la sauvegarde et les diagnostics enregistrés sont lisibles.
2. Étiquetez le disque suspect, sa baie d'origine et le chemin connu comme bon que vous utiliserez.
3. Déplacez le disque suspect vers une baie ou un chemin de câble connu comme bon, ou connectez-le à un contrôleur de diagnostic séparé sans écrire dessus.
4. Testez la baie suspecte avec un disque de rechange ou connu comme bon uniquement si cela peut être fait sans joindre, initialiser, formater ou reconstruire l'ensemble RAID.
5. Exécutez la même charge de lecture contrôlée et comparez uniquement les nouveaux événements de journal et les augmentations de compteurs.

Une analyse indépendante de réinitialisation de lien SATA utilise le même principe : déplacez le même disque vers une baie ou un chemin de câble différent et observez si la faute suit l'appareil ou reste avec la connexion d'origine.

Interprétez si l'erreur suit le disque ou reste avec la baie

Utilisez les deux moitiés du test lorsque c'est possible. Déplacer uniquement le disque suspect peut montrer qu'il échoue ailleurs, mais tester la baie d'origine avec un autre disque est ce qui confirme si le slot ou le chemin partagé peut reproduire le problème.

Ne considérez pas un démarrage propre comme une preuve. Répétez l'observation sous une charge comparable et surveillez les deltas des compteurs, pas seulement les totaux. Si les erreurs médias suivent le numéro de série, remplacez le disque. Si les défaillances de liaison restent liées à la baie ou au groupe de connecteurs, réparez ce chemin avant de reconstruire.

Choisissez la bonne réparation et la condition d'arrêt

Lorsque les preuves suivent le disque, vérifiez les autres membres de l'ensemble, remplacez le membre défaillant via le processus supporté par la plateforme, et surveillez la reconstruction. Choisissez un disque de remplacement NAS compatible basé sur la capacité, l'interface, la charge de travail et les exigences de l'ensemble, plutôt que sur la marque seule.

Lorsque les preuves pointent vers la baie, ne placez pas un nouveau disque dans un chemin déjà sujet à des réinitialisations. Désactivez la baie si la plateforme le permet, puis réparez ou remplacez le caddy, le câble, le backplane, le canal du contrôleur, la connexion du boîtier ou la branche d'alimentation identifiée par le test d'isolation.

Arrêtez et escaladez lorsque plusieurs membres disparaissent, que l'ensemble devient illisible, que des erreurs apparaissent lors d'une reconstruction, que l'identité du disque est incertaine ou qu'aucune sauvegarde vérifiée n'existe. N'initialisez pas, ne formatez pas, ne supprimez pas les métadonnées étrangères, et ne forcez pas l'importation répétée d'un membre juste pour faire disparaître l'avertissement.

FAQ

Un disque peut-il passer SMART et être quand même la cause ?

Oui. SMART est une preuve utile, pas une garantie complète. L'électronique intermittente, le comportement du firmware, les délais d'attente des commandes ou des pannes non représentées par les attributs du fournisseur peuvent rendre un disque non fiable. Combinez les tendances SMART avec les journaux, les tests étendus et vérifiez si l'erreur suit le numéro de série.

Un compteur CRC non nul prouve-t-il que la baie est défectueuse ?

Non. Le compteur peut enregistrer un ancien événement de câble ou de connexion et rester non nul après la correction de la cause. Ce qui importe, c'est si la valeur augmente après avoir remis en place et si cette augmentation suit le disque, le chemin du câble, le groupe de baies ou le contrôleur.

Puis-je échanger les disques à chaud juste pour diagnostiquer la baie ?

Seulement lorsque le boîtier, le contrôleur, l'implémentation RAID et l'action exacte sont documentés comme sûrs pour le hot-swap. Une règle générale plus sûre est d'arrêter l'ensemble, d'éteindre, de préserver la correspondance numéro de série-baie, et d'éviter tout déplacement pouvant déclencher une initialisation ou une reconstruction non désirée.

Dois-je reconstruire avant de terminer le diagnostic ?

Pas lorsque la possibilité d'un câble partagé, d'un backplane, d'un contrôleur ou d'un problème d'alimentation est encore plausible. Une reconstruction sollicite le chemin restant et peut faire tomber un autre membre. Assurez une sauvegarde, identifiez la couche défaillante, confirmez les disques survivants, puis reconstruisez via une connexion stable.

La véritable cause est le composant qui reproduit la panne lors d'un test contrôlé. Suivez le numéro de série, la baie, les compteurs et les journaux — pas la première icône rouge — et réparez la couche défaillante avant de faire confiance à une reconstruction.