Surveillez la santé du disque à l'aide de smartd (dans smartmontools) sur un serveur RAID 1 logiciel à haute disponibilité

J'ai un serveur avec trois disques durs SATA / 600 disques 3To identiques: /dev/sda, /dev/sdb, /dev/sdc. Les disques sont partitionnés, en utilisant GPT avec trois partitions chacune:

• 1 Mo: partition réservée pour le chargeur de démarrage
• 1 Go: RAID1 / dev / md0 (ext2 (/ boot))
• 3 To: RAID1 / dev / md1 (volume chiffré (LVM (groupe de volumes (Swap, /, / etc, / home ...)))))

L'un des trois disques est un disque de secours et les deux autres sont actifs dans les ensembles RAID. Cela fonctionne très bien et je suis capable de démarrer après avoir déconnecté un seul disque dur. Je veux utiliser smartd (une partie de smartmontools) pour surveiller la santé des disques et signaler les erreurs à syslog (que je surveille à l'aide de logcheck ). Ce serveur doit avoir la plus haute disponibilité possible, mais il est acceptable que les performances soient réduites pendant les tests.

Voici la sortie de 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.

Il semble que les tests hors ligne soient pris en charge. Lorsque j'émets smartctl -o on, smartctl -cmontre que cela Offline data collection statusa été réglé sur (0x82). Si j'émets smartctl -o offla même valeur devient (0x02).

Je l' ai mis en place smartd pour démarrer avec le serveur en mettant start_smartd=yesen /etc/default/smartmontools. Comment recommanderiez-vous que je configure smartd en éditant /etc/smartd.confpour ce serveur? Veuillez décrire chaque paramètre que vous utilisez et pourquoi vous l'utilisez comme vous le faites.

Je vais ajouter ma configuration actuelle comme réponse. N'hésitez pas à l'utiliser comme base et à l'améliorer dans votre propre réponse. Une meilleure description utilisant la même configuration serait également une amélioration!

Nous avons configuré tous nos serveurs pour exécuter des autotests réguliers avec la ligne suivante /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

Les autotests sont l'OMI, le type de bilan de santé le plus fiable proposé par SMART.

ÉDITER:

Pourriez-vous s'il vous plaît expliquer ce que -d removablefait?

De 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.

Je suppose que cela empêche smartdde mourir lorsque l'un des disques surveillés disparaît ...? Je ne sais pas avec certitude, je viens d'ajouter la -s L/../02/./17partie à cette ligne. La ligne d'origine:

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

est la valeur par défaut de Debian.

Je suis passé de longs autotests à des select,conttests. C'est comme le long autotest, mais une seule tranche de disque à la fois. Ainsi, alors que le long autotest peut prendre plus d'une journée (avec un disque de 3 To par ailleurs occupé), le test sélectif peut s'exécuter tous les soirs lorsque le serveur est le moins occupé et se termine réellement, sans nuire aux performances pendant les heures les plus occupées.

Donc, fondamentalement, vous distribuerez un long auto-test mensuel de l'ensemble du disque, à un test sélectif nocturne qui couvre toujours l'intégralité du disque au cours d'un mois.

Il faut cependant une certaine préparation.

• smartddoit s'exécuter avec l' --savestatesoption car les disques eux-mêmes ne gardent généralement pas la trace de la dernière région testée.
• Vous devez lancer manuellement le premier auto-test sélectif ( -t select,0-$size) afin de smartdconnaître la taille de tranche à tester chaque jour. La taille détermine la durée du test et le nombre de jours pour couvrir l'intégralité du disque.
• Assurez-vous que la taille $ que vous choisissez est alignée sur la taille du disque. Sinon, vous risquez que la dernière tranche soit très petite (dans le pire des cas, vous perdez une journée à tester un seul secteur du disque).
• Vous devez vérifier que ces informations sont bien parvenues dans les fichiers savestates, ce qui n'est parfois pas le cas et le test ne se déroulera pas comme vous le souhaitez. (La modification directe du fichier savestate est également une option).
• La syntaxe du smartd.conffichier est -s c/../.././01(dans cet exemple, il s'exécuterait tous les jours à 1 heure du matin).

Une fois cela fait, cependant, le processus est automatique et fiable. Une fois qu'il atteint la fin du disque, il démarrera automatiquement au début du lendemain. Lisez la smartctlpage de manuel concernant les select,conttests.

Bien que les tests longs ou sélectifs soient excellents, vous devriez probablement toujours exécuter les tests d'évaluation courts ou globaux. Ils ne prennent que très peu de temps et peuvent aider à détecter des problèmes généraux.

J'utilise généralement cette simple vérification qui est définie par lecteur et non globalement par système (avec DEVICESCANoption) - Je suis intéressé par l'état de santé global de SMART et s'il y a des réaffectations de secteurs en attente et des secteurs défectueux depuis le dernier test SMART. Tout événement suspect est envoyé par la poste à mon adresse attrape-tout intelligent, puis:

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

Sur certains systèmes, j'ai défini pour exécuter automatiquement des autotests SMART à des dates spécifiques. Cette spécification définit l'exécution d'un test long sur deux disques tous les dimanches après minuit (mais pas aux mêmes heures - entre minuit et 1 h puis à partir de 2 h):

/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)