ALM-12033 慢盘故障

告警解释

系统每3秒执行一次iostat命令，监控磁盘I/O的系统指标，如果在300s内，svctm大于100ms且大于svctm_average值的1.5倍，则被认为是一个慢周期。若300s内慢周期的数量大于50%，则认为磁盘有问题，系统上报告警。

svctm_average的值为当前节点中所有磁盘svctm的均值。

更换磁盘后，告警自动恢复。

当前慢盘故障告警的检查原理为：

在Linux平台上判断IO是否存在问题，输入命令iostat -x -t 1，观察下几个值（如图所示红色框中的部分）：

点击放大

%iowait：该值表示CPU等待IO的时间占整个CPU周期的百分比，如果该值超过50%，或者明显大于%system、%user以及%idle，这表示IO可能存在问题。
await：该值表示该磁盘IO等待时间+IO服务时间的值，该值一般不超过20，其它DataNode数据盘可以稍高，但是不超过40。
svctm：该值表示该磁盘IO服务时间。
%util：该值表示磁盘繁忙程度，一般该值超过80%表示该磁盘可能处于繁忙状态。

如果%util大于10，并且svctm大于100，则记录，如果六十次里面有三十次都满足该条件，则发送慢盘故障。

告警属性

告警ID	告警级别	是否自动清除
12033	重要	是

告警参数

参数名称	参数含义
来源	产生告警的集群或系统名称。
服务名	产生告警的服务名称。
角色名	产生告警的角色名称。
主机名	产生告警的主机名。
磁盘名	产生告警的磁盘名。

对系统的影响

磁盘慢盘故障，导致业务性能下降，阻塞业务的处理能力，严重时可能会导致服务不可用。

可能原因

磁盘老化或者磁盘坏道。

处理步骤

检查磁盘状态。

在FusionInsight Manager界面，选择“运维 > 告警 > 告警”。
查看该告警的详细信息，查看定位信息中“主机名”字段和“磁盘名”字段的值，获取该告警产生的故障磁盘信息。
确认上报告警的节点是否为虚拟化环境。
- 是，执行4。
- 否，执行7。
请检查虚拟化环境提供的存储性能是否满足硬件要求，检查完毕之后执行5。
以root用户登录告警节点，执行df -h命令，查看输出内容是否包含“磁盘名”字段的值。
- 是，执行7。
- 否，执行6。
执行lsblk命令，是否可以查到“磁盘名”字段值与磁盘设备的映射关系。
- 是，执行7。.
- 否，执行22。
以root用户登录上报告警的节点，执行lsscsi | grep "/dev/sd[x]"命令查看磁盘的设备信息，判断磁盘是否建立了RAID。

其中/dev/sd[x]为2中获取到的上报告警的磁盘名称。

例如执行：

lsscsi | grep "/dev/sda"

如果命令执行结果第三列显示ATA、SATA或者SAS，说明磁盘没有建立RAID；显示其他信息，则该磁盘可能建立了RAID。
- 是，执行12。
- 否，执行8。
执行smartctl -i /dev/sd[x]命令检查硬件是否支持smart。

例如执行：

smartctl -i /dev/sda

如果命令执行结果中包含“SMART support is: Enabled”，表示磁盘支持smart；执行结果中包含“Device does not support SMART”或者其他，表示磁盘不支持smart。
- 是，执行9。
- 否，执行17。
执行smartctl -H --all /dev/sd[x]命令查看smart的基本信息，判断磁盘是否正常。

例如执行：

smartctl -H --all /dev/sda

查看命令执行结果的“SMART overall-health self-assessment test result”内容，如果是“FAILED”，表示磁盘故障，需要更换；如果为“PASSED”，需要进一步看“Reallocated_Sector_Ct”或者“Elements in grown defect list”项的计数，如果大于100，则认为磁盘故障，需要更换。
- 是，执行10。
- 否，执行18。
执行smartctl -l error -H /dev/sd[x]命令查看磁盘的GLIST列表，进一步继续判断磁盘是否正常。

例如执行：

smartctl -l error -H /dev/sda

查看命令执行结果的“Command/Featrue_name”列，如果出现“READ SECTOR(S)”或者“WRITE SECTOR(S)”表示磁盘有坏道；如果出现其他错误，表示磁盘电路板有问题。这两种错误均表示磁盘不正常，需要更换。

如果显示“No Errors Logged”，则表示没有错误日志，则可以触发磁盘smart自检。
- 是，执行11。
- 否，执行18。
执行smartctl -t long /dev/sd[x]命令触发磁盘smart自检。命令执行后，会提示自检完成的时间，在等待自检完成后，重新执行9和10，检查磁盘是否正常。

例如执行：

smartctl -t long /dev/sda
- 是，执行17。
- 否，执行18。
执行smartctl -d [sat|scsi]+megaraid,[DID] -H --all /dev/sd[x]命令检查硬件是否支持smart。
- [sat|scsi]表示磁盘类型，需要尝试以上两种类型。
- [DID]表示槽位信息，需要尝试0～15。
例如依次执行：

smartctl -d sat+megaraid,0 -H --all /dev/sda

smartctl -d sat+megaraid,1 -H --all /dev/sda

smartctl -d sat+megaraid,2 -H --all /dev/sda

...

依次尝试不同磁盘类型和槽位信息的命令组合，如果执行结果中显示“SMART support is: Enabled”，表示磁盘支持smart，记录命令执行成功时磁盘类型和槽位信息组合参数；如果尝试完以上所有的命令组合，执行结果都未显示“SMART support is: Enabled”，表示磁盘不支持smart。
- 是，执行13。
- 否，执行16。
执行12中记录的smartctl -d [sat|scsi]+megaraid,[DID] -H --all /dev/sd[x]命令查看smart的基本信息，判断磁盘是否正常。

例如执行：

smartctl -d sat+megaraid,2 -H --all /dev/sda

查看命令执行结果的“SMART overall-health self-assessment test result”内容，如果是“FAILED”，表示磁盘故障，需要更换；如果为“PASSED”，需要进一步看“Reallocated_Sector_Ct”或者“Elements in grown defect list”项的计数，如果大于100，则认为磁盘故障，需要更换。
- 是，执行14。
- 否，执行18。
执行smartctl -d [sat|scsi]+megaraid,[DID] -l error -H /dev/sd[x]命令查看硬盘的GLIST列表，进一步判断硬盘是否正常。

例如执行：

smartctl -d sat+megaraid,2 -l error -H /dev/sda

查看命令执行结果的“Command/Featrue_name”列，如果出现“READ SECTOR(S)”或者“WRITE SECTOR(S)”表示磁盘有坏道；如果出现其他错误，表示磁盘电路板有问题。这两种错误均表示磁盘不正常，需要更换。

如果显示“No Errors Logged”，则表示没有错误日志，则可以触发磁盘smart自检。
- 是，执行15。
- 否，执行18。
执行smartctl -d [sat|scsi]+megaraid,[DID] -t long /dev/sd[x]命令触发磁盘smart自检。命令执行后，会提示自检完成的时间，在等待自检完成后，重新执行13和14，检查磁盘是否正常。

例如执行：

smartctl -d sat+megaraid,2 -t long /dev/sda
- 是，执行17。
- 否，执行18。
磁盘不支持smart，通常是因为配置的RAID卡不支持，此时需要使用对应RAID卡厂商的检查工具进行处理，然后执行17。

例如LSI一般是MegaCli工具。
在FusionInsight Manager界面，选择“运维 > 告警 > 告警”，单击该告警操作列的“清除”，并继续观察该告警，查看同一块磁盘的告警是否会继续上报。

如果当前磁盘出现三次以上该告警，建议用户更换磁盘。
- 是，执行18。
- 否，操作结束。