我需要更换NVME SSD吗？

Question

我有一个简单的服务器设置：

2 NVME SSD磁盘(均为三星MZVLB1T0HALR-00000 for 1TB)合并为RAID0。

OS Ubuntu 19.04

今天我的系统停止了反应。重新启动没有帮助。我通过KVM连接，并在启动屏幕上注意到这些错误消息：

md/raid0:md0: too few disks (1 of 2) - aborting!
md: pers->run() failed ...
mdadm: failed to start array /dev/md/0: Invalid argument
md/raid1:md1: active with 1 out of 2 mirrors
md1: detected capacity change from 0 to 536281088
md/raid0:md2: too few disks (1 or 2) - aborting!
md: pers->run() failed ...
mdadm: failed to start array /dev/md/2: Invalid argument

然后引导到救援系统，并试图检查磁盘的错误，但我找不到第二个磁盘。只有/dev/nvme0，但没有/dev/nvme1。

我写信给技术支持部门(我的服务器在Hetzner)，让他们帮我检查磁盘。他们关闭了服务器一分钟，然后打开它，能够看到救援系统中的第二个磁盘。

他们检查了两个驱动器的错误，第一个驱动器显示了一些智能错误：

sudo nvme smart-log /dev/nvme0
Smart Log for NVME device:nvme0 namespace-id:ffffffff
critical_warning                    : 0
temperature                         : 33 C
available_spare                     : 100%
available_spare_threshold           : 10%
percentage_used                     : 21%
data_units_read                     : 279,672,974
data_units_written                  : 366,481,283
host_read_commands                  : 2,479,016,466
host_write_commands                 : 2,637,293,356
controller_busy_time                : 19,928
power_cycles                        : 10
power_on_hours                      : 5,153
unsafe_shutdowns                    : 4
media_errors                        : 21
num_err_log_entries                 : 26
Warning Temperature Time            : 0
Critical Composite Temperature Time : 0
Temperature Sensor 1                : 33 C
Temperature Sensor 2                : 39 C
Thermal Management T1 Trans Count   : 0
Thermal Management T2 Trans Count   : 0
Thermal Management T1 Total Time    : 0
Thermal Management T2 Total Time    : 0

他们告诉我磁盘好像坏了，需要更换。当然，所有的数据都会丢失。

我试图简单地重新启动系统一次(因为他们设法连接第二个磁盘返回)和系统正常加载！

然后，我尝试使用nvme error-log命令读取错误日志，但它只显示了“成功”条目：

sudo nvme error-log /dev/nvme0
Error Log Entries for device:nvme0 entries:64
.................
 Entry[ 0]
.................
error_count  : 0
sqid         : 0
cmdid        : 0
status_field : 0(SUCCESS: The command completed successfully)
parm_err_loc : 0
lba          : 0
nsid         : 0
vs           : 0
cs           : 0
.................
 Entry[ 1]
.................
error_count  : 0
sqid         : 0
cmdid        : 0
status_field : 0(SUCCESS: The command completed successfully)
parm_err_loc : 0
lba          : 0
nsid         : 0
vs           : 0
cs           : 0
...and so on

这个系统似乎正常工作。我不知道那是什么。但出于某种原因，其中一个磁盘突然停止，不想启动，直到完全重新启动暂停完成。

现在我想知道-是否有办法读取实际的错误日志？测试磁盘以确保它真的需要被替换？

Answer 1

如果系统按预期工作，并且没有报告其他错误，那么一切都应该是好的。

根据NVM速递管理接口描述：“响应消息状态值--其他表示成功的消息状态值表示发生了...错误”

显然，磁盘BIOS正在使用错误日志报告成功！