Monitorování disků (S.M.A.R.T.)

Z Milan Kerslager
Přejít na: navigace, hledání

Monitorování disků pomocí (S.M.A.R.T.) je možnost, jak sledovat disk zevnitř. Pevné disky jsou ovládány čipem, který se podobá malému počítači. Čip je řízen programem, který dodává výrobce disku jako tzv. firmware. Firmware lze v některých případech aktualizovat. Kromě řízení disku (čtení a zápis dat) sleduje firmware i další parametry disku, na základě kterých lze rozhodovat o stavu vnitřních součástí disku. Pro získání těchto dat slouží standard S.M.A.R.T. (Self-Monitoring, Analysis, and Reporting Technology, někdy též jednoduše SMART), který definuje pomocné příkazy pro ovládání disku. Prakticky všechny současné disky SMART podporují. V Linuxu slouží uživateli k získávání těchto informací různé nástroje. Pro příkazový řádek je k dispozici balíček smartmontools, který obsahuje nástroj smartctl a démona smartd.

Získávaná data

Pevný disk shromažďuje interně mnoho údajů, některé z nich lze pomocí SMART získat. Lze z nich částečně usuzovat na zdraví disku. Podle starší studie Google nemá SMART absolutní vypovídající hodnotu, přispívá však k předvídání selhání disku.[1] Čip v disku sleduje kromě přímých vad (chyby čtení, zápisu) i další parametry (doba roztočení disku, teplota, spotřebovávaný proud atd.), ze kterých je možné dovozovat stav kritických částí disku (ložiska, kvalita záznamové vrstvy).

smartctl

Příkaz smartctl může spouštět jen uživatel root, protože vyžaduje přímý přístup k hardware (řadiči). Ve výpisu je podrobná identifikace disku (výrobce, typ, kapacita), hlavní údaje (příznak chyby, doba trvání testů), výpis dostupných atributů (chyby čtení, počet zapnutí disku, doba běhu, teplota, ...), záznam proběhnutých testů a na závěr záznamy chyb komunikace s diskem. Příklad výstupu:

$ smartctl -a /dev/sda
smartctl 5.39.1 2010-01-28 r3054 [x86_64-redhat-linux-gnu] (local build)
Copyright (C) 2002-10 by Bruce Allen, http://smartmontools.sourceforge.net

=== START OF INFORMATION SECTION ===
Model Family:     Seagate Barracuda 7200.10 family
Device Model:     ST3160815AS
Serial Number:    9RAATQGC
Firmware Version: 4.AAB
User Capacity:    160 041 885 696 bytes
Device is:        In smartctl database [for details use: -P show]
ATA Version is:   7
ATA Standard is:  Exact ATA specification draft version not indicated
Local Time is:    Mon Mar 21 08:20:58 2011 CET
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
See vendor-specific Attribute list for marginal Attributes.

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:                 ( 430) seconds.
Offline data collection
capabilities:                    (0x5b) SMART execute Offline immediate.
                                        Auto Offline data collection on/off support.
                                        Suspend Offline collection upon new
                                        command.
                                        Offline surface scan supported.
                                        Self-test supported.
                                        No 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:        (   1) minutes.
Extended self-test routine
recommended polling time:        (  54) minutes.

SMART Attributes Data Structure revision number: 10
Vendor Specific SMART Attributes with Thresholds:
ID# ATTRIBUTE_NAME          FLAG     VALUE WORST THRESH TYPE      UPDATED  WHEN_FAILED RAW_VALUE
  1 Raw_Read_Error_Rate     0x000f   100   253   006    Pre-fail  Always       -       0
  3 Spin_Up_Time            0x0003   097   096   000    Pre-fail  Always       -       0
  4 Start_Stop_Count        0x0032   100   100   020    Old_age   Always       -       490
  5 Reallocated_Sector_Ct   0x0033   100   100   036    Pre-fail  Always       -       0
  7 Seek_Error_Rate         0x000f   070   060   030    Pre-fail  Always       -       11854499
  9 Power_On_Hours          0x0032   097   097   000    Old_age   Always       -       2682
 10 Spin_Retry_Count        0x0013   100   100   097    Pre-fail  Always       -       0
 12 Power_Cycle_Count       0x0032   100   100   020    Old_age   Always       -       491
187 Reported_Uncorrect      0x0032   100   100   000    Old_age   Always       -       0
189 High_Fly_Writes         0x003a   092   092   000    Old_age   Always       -       8
190 Airflow_Temperature_Cel 0x0022   071   044   045    Old_age   Always   In_the_past 29 (0 4 29 7)
194 Temperature_Celsius     0x0022   029   056   000    Old_age   Always       -       29 (Lifetime Min/Max 0/252)
195 Hardware_ECC_Recovered  0x001a   072   058   000    Old_age   Always       -       14922375
197 Current_Pending_Sector  0x0012   100   100   000    Old_age   Always       -       0
198 Offline_Uncorrectable   0x0010   100   100   000    Old_age   Offline      -       0
199 UDMA_CRC_Error_Count    0x003e   200   200   000    Old_age   Always       -       0
200 Multi_Zone_Error_Rate   0x0000   100   253   000    Old_age   Offline      -       0
202 Data_Address_Mark_Errs  0x0032   100   253   000    Old_age   Always       -       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  Extended offline    Completed without error       00%         3         -

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.

Sekce: START OF INFORMATION SECTION

V této sekci výpisu jsou zobrazeny základní informace o pevném disku. Nejprve je slovní označení disku (zde Model Family: Seagate Barracuda 7200.10), k čemuž je doplněno i přesné číselné označení od výrobce (zde Device Model: ST3160815AS). Následuje sériové číslo disku, které umožňuje disk v počítači přesně identifikovat (například když je v počítači více stejných disků), protože je na pevném disku viditelně vytištěno (zde Serial Number: 9RAATQGC). Následuje verze firmware (podle ní lze například identifikovat vadné série disků). Dále je zobrazena kapacita disku (zde cca 16 GB). Důležitá je položka SMART support is: Available, která indikuje podporu S.M.A.R.T. v disku a hned následující SMART support is: Enabled, která zde indikuje, že je jeho podpora aktivována (některé disky ji mohou mít implicitně vypnutou).

Sekce: START OF READ SMART DATA SECTION

Sekce: SMART Attributes Data Structure

Ve sloupci ATTRIBUTE_NAME je název SMART atributu. Sloupec VALUE obsahuje aktuální hodnotu atributu. Sloupec WORST obsahuje nejhorší zatím zaznamenanou hodnotu. Sloupec THRESH obsahuje hranici, která je definována jako kritická (selhání příslušné funkce). Sloupec TYPE obsahuje typ atributu, který je buď Pre-fail (selhání atributu oznamuje blížící se možnost selhání) nebo Old_age (disk je tomto ohledu považován za opotřebovaný, což nemusí vést k závadě nebo ji signalizovat). Sloupec WHEN_FAILED obsahuje buď hodnotu Failing_now (závada se projevuje právě teď) nebo In_the_past (závada byla zaznamenána v minulosti – například dočasné přehřátí disku). Sloupec RAW_VALUE pak obsahuje nepřepočítanou surovou hodnotu, kterou SMART atribut interně obsahuje.

Následující tabulka obsahuje popis některých atributů, které jsou všeobecně známy. Atributy mohou být též závislé na výrobci, který je nemusí veřejně popsat, takže pak jsou vedené jako „neznámé“.

Číslo Jméno atributu Popis
4 Start_Stop_Count Počet cyklů zapnutí a vypnutí disku (tj. odpojení a připojení napájení)
5 Reallocated_Sector_Count Počet relokovaných sektorů (tj. míst na disku, která jsou nepoužitelná a data jsou zapisována a čtena z předem připraveného prostoru o omezené velikosti
7 Seek_Error_Rate Počet chyb při vystavení hlav na stopu (řídící elektronika kalibruje pohyby podle aktuálního stavu, zde se projevuje neúspěšnost)
9 Power_On_Hours Počet hodin, po které byl disk již v provozu
10 Spin_Retry_Count Počet selhání při pokusu o roztočení disku
12 Power_Cycle_Count Počet zapnutí a vypnutí (pro elektroniku rizikové šokové operace, ohrožení napěťovými špičkami)
190 Airflow_Temperature_Celsius Teplota vzduchu uvnitř disku, někdy zaznamenávány minima a maxima (kvůli porušení záruky přehřátím či podchlazením)
194 Temperature_Celsius Teplota disku (čidlo obvykle na elektronice)
195 Hardware_ECC_Recovered Počet čtení dat, jejichž data měla chybný samoopravný kontrolní součet a byla podle něho opravena
197 Current_Pending_Sector Počet vadných sektorů, které budou při následujícím zápisu relokovány
199 UDMA_CRC_Error_Count Počet chyb kontrolního součtu na sběrnici (tj. chyby při přenosu spojovacím kabelem k základní desce)

Sekce: SMART Error Log

Zde jsou zaznamenávány chyby vzniklé například při komunikaci se základní deskou počítače.

Sekce: SMART Self-test log

Sekce obsahuje záznamy o proběhlých Self-testech (viz další kapitola). Každý řádek obsahuje jeden záznam. Přičemž kapacita je omezena a po jejím přeplnění dochází k odstraňování nejstarších záznamů.

Význam položek S.M.A.R.T.

Rellocated event count

Relokované sektory (přemístěné sektory) jsou sektory na pevném disku, která nelze již použít a místo nich se používají záložní sektory. Záložních sektorů je určitý (omezený) počet, který byl stanoven výrobcem při výrobě disku. Po jejich vyčerpání již disk nemůže vadné sektory relokovat a začnou se objevovat neopravitelné chyby. Pokud se na disku začnou objevovat relokované sektory, je pravděpodobné, že další sektory budou následovat. Pokud chcete mít jistotu, takový disk nahraďte co nejdříve za nový.

Vadné sektory způsobí například mechanické poškození (pád disku a následné „ťuknutí“ hlaviček o povrch), poškození způsobené prachem, který „prolétl“ mezi hlavou a plotnou a povrch poškrábal, tepelné poškození plotny přehřátím disku nebo degradace povrchu plotny způsobená stářím.

Current pending sector

Pokud se disku nepodaří sektor přečíst ani po opakovaných pokusech, oznámí operačnímu systému chybu („chyba při čtení“) a zároveň si zapamatuje, jaký sektor to způsobil a přidá ho na seznam „Pending sector“. Sektor nelze relokovat, protože obsahuje data, která uživatel potřebuje. Může se totiž stát, že se takový sektor podaří někdy později přečíst a v tu chvíli bude relokován, tj. data budou zapsána do bezpečné oblasti (je použit rezervní sektor), čímž je zrušen ze seznamu „Pending sectors“. Sektor je možné ze seznamu vyřadit i ve chvíli, kdy uživatel označí tat data jako nepotřebná, což lze jen tak, že se do stejného místa pokusí zapsat něco jiného. V tom okamžiku je sektor relokován a nebude dále používán (počet „Pending sectors“ se přesune do „Rellocated sector count“).

Pokud chcete vynulovat položku „Pending sectors“, je nutné buď vědět, který sektor je ten problematický (jádro Linuxu píše při neúspěšném čtení do logu číslo neúspěšně čteného sektoru) a cokoliv do něj zapsat (například příkazem hdparm --write-sector číslo) nebo provést plné formátování (tj. nikoliv rychlé formátování), při kterém jsou do celého disku zapsány nuly nebo celý disk přepsat ručně (např. nedestruktivně příkazem badblocks -ns /dev/sd?, destruktivně s přepínačem -ws) nebo použít speciální nástroj od výrobce.[2]

Selftest disku

Disk se může sám zkontrolovat. Testy je nutné spustit ručně. Záznamy se zapisují do logu (viz sekce SMART Self-test log ve výstupu výše).

Krátký test

Krátký test trvá kolem jedné až dvou minut, je-li disk v klidu (neprobíhají intenzivní operace čtení nebo zápisu). Průběh testu lze sledovat ve výše zmíněném výpisu (položka Self-test execution status). Spuštění testu:

smartctl -t short /dev/sda

Dlouhý test

Dlouhý test trvá podle kapacity disku a jeho využití (operace čtení a zápisu způsobí pozastavení testu) několik desítek minut až hodin. Přibližná doba je vypsána po spuštění testu, zaznamenána je i ve výstupu příkazu smartctl (viz položka Extended self-test routine recommended polling time ve výpisu výše). Průběh testu lze sledovat ve výše zmíněném výpisu (položka Self-test execution status). Spuštění testu je v následujícím příkladu provedeno tučně zvýrazněným textem (smartctl -t long /dev/sda), ve výpisu je oznámeno, že test bude trvat asi 54 minut:

$ smartctl -t long /dev/sda
smartctl 5.39.1 2010-01-28 r3054 [x86_64-redhat-linux-gnu] (local build)
Copyright (C) 2002-10 by Bruce Allen, http://smartmontools.sourceforge.net

=== START OF OFFLINE IMMEDIATE AND SELF-TEST SECTION ===
Sending command: "Execute SMART Extended self-test routine immediately in off-line mode".
Drive command "Execute SMART Extended self-test routine immediately in off-line mode" successful.
Testing has begun.
Please wait 54 minutes for test to complete.
Test will complete after Mon Mar 21 09:47:29 2011

Use smartctl -X to abort test.

Chyby při testu

Pokud dojde při kontrole disku k chybě, je v logu zapsáno číslo LBA sektoru, na kterém test selhal. Dále se již disk netestuje. Během testu se mohou změnit SMART Atributy (viz dále). Chyba ve SMART testu je obvykle důvodem k uznání reklamace, avšak pokud disk například zachytí ve SMART Atributech informaci o tom, že se přehřál, nebude pravděpodobně reklamace uznána. Výpis záznamu selftestů je možné vypsat následujícím příkazem:

$ smartctl -l selftest /dev/hdj
smartctl version 5.38 [i686-redhat-linux-gnu] Copyright (C) 2002-8 Bruce Allen
Home page is http://smartmontools.sourceforge.net/

=== START OF READ SMART DATA SECTION ===
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%     27945         -
# 2  Short offline       Completed without error       00%     27939         -
# 3  Extended offline    Completed: read failure       10%     27934         548065309

Ve výše uvedeném výstupu je vidět, že krátké testy proběhly v pořádku (čtou se při nich náhodné sektory), avšak dlouhý (extended) test selhal na LBA sektoru číslo 548065309.

Démon smartd

Démon smartd je možné využít pro trvalé automatické monitorování disku. V systémech Fedora, RHEL (Red Hat Enterpise Linux) a jeho klonech (CentOS, Scientific Linux apod.) lze démona spustit příkazem:

service smartd start

Automatické spouštění démona při startu systému lze zajistit příkazem (více viz Startovací skripty):

chkconfig smartd on

Stav démona je možné zjistit například takto:

service smartd status

RHEL 5

Red Hat Enterprise Linux verze 5 a novější obsahuje novou verzi utility, která umožňuje plánování spouštění testů a správně parcuje se SATA disky. Pro denní spouštění jednoho dlouhého testu a opakovaných spouštění krátkých testů zapište do konfiguračního souboru /etc/smartd.conf následující řádek (jako jediný v souboru):

DEVICESCAN -a -m root -M daily -s (O/../.././(00|06|12|18)|S/../.././(03|09|15|21)|L/../.././01)

Spusťte démona:

service smartd restart

Správnou funkci zkontrolujte v logovacím souboru /var/log/messages. Měl by obsahovat zhruba následující výpis:

Mar 21 08:50:22 puda smartd[3509]: smartd received signal 15: Terminated
Mar 21 08:50:22 puda smartd[3509]: smartd is exiting (exit status 0)
Mar 21 08:50:22 puda smartd[3658]: smartd 5.39.1 2010-01-28 r3054 [x86_64-redhat-linux-gnu] (local build)#012Copyright (C) 2002-10 by Bruce Allen, http://smartmontools.sourceforge.net#012
Mar 21 08:50:22 puda smartd[3658]: Opened configuration file /etc/smartd.conf
Mar 21 08:50:22 puda smartd[3658]: Configuration file /etc/smartd.conf was parsed, found DEVICESCAN, scanning devices
Mar 21 08:50:22 puda smartd[3658]: Device: /dev/sda, type changed from 'scsi' to 'sat'
Mar 21 08:50:22 puda smartd[3658]: Device: /dev/sda [SAT], opened
Mar 21 08:50:22 puda smartd[3658]: Device: /dev/sda [SAT], found in smartd database.
Mar 21 08:50:22 puda smartd[3658]: Device: /dev/sda [SAT], is SMART capable. Adding to "monitor" list.
Mar 21 08:50:22 puda smartd[3658]: Monitoring 1 ATA and 0 SCSI devices
Mar 21 08:50:22 puda smartd[3660]: smartd has fork()ed into background mode. New PID=3660.

RHEL 4

Red Hat Enterprise Linux verze 4 obsahuje novou verzi utility, která umožňuje plánování spouštění testů, ale nepracuje správně se SATA disky (o čemž je nutné se přesvědčit v logovacím souboru /var/log/messages). Pro denní spouštění jednoho dlouhého testu a opakovaných spouštění krátkých testů na SATA disku zapište do konfiguračního souboru /etc/smartd.conf pro každý přítomný SATA disk následující řádek (v souboru bude tolik řádků, kolik je v počítači disků):

/dev/sda -d ata  -a -m root -M daily -s (O/../.././(00|06|12|18)|S/../.././(03|09|15|21)|L/../.././01)

Spusťte démona:

service smartd restart

RHEL 3

Red Hat Enterprise Linux verze 3 obsahuje starší verzi utility, která neumožňuje plánování spouštění testů. Do konfiguračního souboru /etc/smartd.conf zapište následující řádek (jako jediný v souboru):

DEVICESCAN -a -m root -M daily

Spusťte démona:

service smartd restart

Externí odkazy

  • http://labs.google.com/papers/disk_failures.pdf
  • http://support.wdc.com/product/download.asp?groupid=612&sid=3 Western Digital: Data Lifeguard Diagnostic for Windows