文档首页/ MapReduce服务 MRS/ 用户指南/ MRS集群运维/ MRS集群告警处理参考/ ALM-12033 慢盘故障
更新时间：2024-09-23 GMT+08:00
查看PDF
分享

ALM-12033 慢盘故障

告警解释

MRS 3.3.0及之后版本、MRS 3.1.0.0.10/3.1.5.0.3及之后补丁版本：

  • 对于HDD盘，满足以下任意条件时触发告警：
    • 系统默认每3秒采集一次数据，在30秒内至少7个采集周期的svctm时延达到1000ms。
    • 系统默认每3秒采集一次数据，在300秒内至少50%次采集到的svctm时延达到150ms。
  • 对于SSD盘，满足以下任意条件时触发告警：
    • 系统默认每3秒采集一次数据，在30秒内至少7个周期的svctm时延达到1000ms。
    • 系统默认每3秒采集一次数据，在300秒内至少50%次检测到的svctm时延达到20ms。

系统采集周期为3秒，检测周期为30秒或300秒，当系统连续3个30秒、300秒的周期均不满足以上条件时，告警自动清除。

MRS 3.3.0之前版本：

  • 对于HDD盘，满足以下任意条件时触发告警：
    • 系统默认每3秒执行一次iostat命令，在30秒内至少7个采集周期的svctm值超过1000ms。
    • 系统默认每3秒执行一次iostat命令，在300秒内有超过50%的IO超过150ms。
  • 对于SSD盘，满足以下任意条件时触发告警：
    • 系统默认每3秒执行一次iostat命令，在30秒内至少10周期svctm值超过1000ms。
    • 系统默认每3秒执行一次iostat命令，在300秒内有超过60%的IO超过20ms。

当系统连续15分钟不满足以上所有条件时，告警自动清除。

svctm的获取方法请参见参考信息。

告警属性

告警ID

告警级别

是否自动清除

12033
  • 次要：MRS 3.3.0及之后版本、MRS 3.1.0.0.10/3.1.5.0.3及之后补丁版本
  • 重要：MRS 3.3.0之前版本

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

  • 系统性能下降，慢盘会导致系统I/O性能下降，从而影响系统的响应速度和吞吐量。这可能会导致客户的业务运行变慢（例如：作业提交运行变慢、页面响应迟钝、接口响应超时等），甚至出现崩溃或错误。
  • 系统故障：慢盘故障可能会导致系统故障，从而导致客户的业务受到影响。如果慢盘上存储的数据包含关键信息，可能会导致系统崩溃或数据丢失。

可能原因

磁盘老化或者磁盘坏道。

处理步骤

检查磁盘状态。

  1. 在FusionInsight Manager界面，选择“运维 > 告警 > 告警”。
  2. 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。
  3. 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。

  4. 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。
  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，用户密码为安装前用户自定义，请咨询系统管理员。

    • 是，执行7。
    • 否，执行6。

  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。

  7. 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，用户密码为安装前用户自定义，请咨询系统管理员。

    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。

  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16。

  9. 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。

  10. 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/Feature_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。

  11. 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。

  12. 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。

  13. 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。

  14. 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/Feature_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。

  15. 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。

  16. 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。

  17. 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。

更换磁盘。

  1. 在FusionInsight Manager界面，选择“运维 > 告警 > 告警”。
  2. 查看该告警的详细信息，查看定位信息中对应的“主机名”字段和“磁盘名”字段的值，获取该告警上报的故障磁盘信息。
  3. 更换硬盘。
  4. 检查告警是否清除。

    • 是，操作结束。
    • 否，执行22。

收集故障信息。

  1. 在FusionInsight Manager界面，选择“运维 > 日志 > 下载”。
  2. 在“服务”中勾选“OMS”，单击“确定”。
  3. 单击右上角的设置日志收集的“开始时间”和“结束时间”分别为告警产生时间的前后10分钟，单击“下载”。
  4. 请联系运维人员，并发送已收集的故障日志信息。

告警清除

此告警修复后，系统会自动清除此告警，无需手工清除。

参考信息

svctm的获取方法如下：

  • MRS 3.1.0版本：

    在操作系统中执行iostat -x -t获取：

  • MRS 3.1.0之后版本：

    svctm = (tot_ticks_new - tot_ticks_old) / (rd_ios_new + wr_ios_new - rd_ios_old - wr_ios_old)

  • 针对MRS 3.3.0之前版本：如果rd_ios_new + wr_ios_new - rd_ios_old - wr_ios_old = 0，则svctm = 0
  • 针对MRS 3.3.0及之后版本、MRS 3.1.0.0.10/3.1.5.0.3及之后补丁版本：

    当检测周期粒度为30秒时，如果rd_ios_new + wr_ios_new - rd_ios_old - wr_ios_old = 0，则svctm = 0。

    当检测周期粒度为300秒时，在rd_ios_new + wr_ios_new - rd_ios_old - wr_ios_old = 0的情况下，如果tot_ticks_new - tot_ticks_old = 0则svctm = 0，否则svctm值为无穷大。

参数获取如下：

系统每3秒执行一次cat /proc/diskstats命令采集数据。例如：

连续两次采集的数据中：

第一次采集的数据中，第4列的数字是“rd_ios_old”，第8列的数字是“wr_ios_old”，第13列的数字是“tot_ticks_old”。

第二次采集的数据中，第4列的数字是“rd_ios_new”，第8列的数字是“wr_ios_new”，第13列的数字是“tot_ticks_new”。

则上图中svctm值为：

(19571460 - 19569526) / (1101553 + 28747977 - 1101553 - 28744856) = 0.6197

相关文档