服务器运行久了以后，CPU、内存、带宽问题通常比较容易被发现，但硬盘健康度反而容易被忽略。尤其是 NVMe SSD，平时读写速度很快，业务也不一定马上报错，等到出现数据库卡顿、网站写入失败、系统突然只读、RAID 阵列降级时，往往已经比较被动。

在实际运维中，我一般不会只看“硬盘还能不能识别”，而是重点看三个指标：寿命消耗、温度状态、错误日志。这三个方向基本可以判断一块 NVMe 硬盘是正常服役、需要观察，还是应该提前更换。

一、为什么服务器更需要关注 NVMe 健康度？

NVMe SSD 和普通 SATA SSD 最大的区别，是它直接走 PCIe 通道，延迟更低、并发能力更强，非常适合数据库、虚拟化、缓存、高并发网站、日志写入等场景。

例如一台常见的香港高性能业务服务器可以这样配置：

这类服务器里，NVMe 硬盘通常承担系统盘、数据库盘、日志盘或缓存盘。如果硬盘状态异常，可能不是简单的“坏了换盘”，而是会直接影响 MySQL、Redis、Elasticsearch、Docker、虚拟化平台等服务。

二、看 NVMe 健康度，重点看哪几个指标？

判断 NVMe 健康度，不需要一开始就看特别复杂的参数。基础判断主要看下面这些：

其中最常用的是：寿命、温度、错误日志。

三、Linux 服务器如何查看 NVMe 健康度？

在 Linux 服务器上，建议安装两个工具：

apt install -y nvme-cli smartmontools

CentOS 7.x 可以使用：

yum install -y nvme-cli smartmontools

先查看服务器上有哪些 NVMe 盘：

nvme list

常见输出类似：

Node             Model                 Namespace Usage
/dev/nvme0n1     Samsung PM9A3 NVMe     1         960GB
/dev/nvme1n1     Samsung PM9A3 NVMe     1         960GB

查看健康状态：

nvme smart-log /dev/nvme0n1

也可以用 smartctl 查看：

smartctl -a /dev/nvme0n1

如果系统识别设备名不同，也可能是：

nvme smart-log /dev/nvme0
smartctl -a /dev/nvme0

四、寿命怎么看？重点看 Percentage Used

NVMe 里最直观的寿命指标是：

percentage_used

它不是简单的“剩余百分比”，而是表示厂商根据写入量、擦写次数等估算出来的寿命消耗。

大致可以这样判断：

需要注意，超过 100% 不代表硬盘立刻坏掉，但代表它已经超出厂商设计写入寿命。对于普通测试机可以继续观察，但如果是数据库服务器、客户业务服务器、财务系统、订单系统，就不建议冒险。

例如：

percentage_used : 86%

这类盘如果还在承载 MySQL 数据库、订单系统或高频日志写入，建议尽快迁移数据并安排换盘。

五、温度怎么看？NVMe 不是越快越安全

NVMe 硬盘速度快，但温度也更敏感。很多服务器故障不是硬盘直接损坏，而是 NVMe 长期高温后性能下降、延迟升高，甚至出现异常重置。

常见温度判断可以参考：

查看温度时，重点看：

temperature
warning_temp_time
critical_comp_time

如果输出中出现类似：

temperature : 72 C
warning_temp_time : 125
critical_comp_time : 8

说明硬盘不仅当前温度偏高，而且曾经进入过警告温度甚至临界温度状态。这种情况不能只看“现在还能用”，需要检查服务器风道、硬盘位置、散热片、机柜进风温度。

对于 1U / 2U 服务器，如果 NVMe 盘位靠近 CPU、GPU 或 RAID 卡，温度更容易升高。尤其是 AI 推理服务器、数据库服务器、虚拟化宿主机，NVMe 长期满负载写入时，温度问题更明显。

六、错误日志怎么看？Media Errors 和 Error Log Entries 要重点关注

NVMe 健康判断中，错误日志非常重要。重点看两个字段：

media_errors
num_err_log_entries

1. Media Errors

media_errors 表示介质层面的错误，简单理解就是硬盘在读写数据时出现过底层异常。

如果是：

media_errors : 0

通常比较正常。

如果出现：

media_errors : 3

即使数量不大，也建议继续观察。如果这个数值持续增长，就要尽快备份和换盘。

2. Error Log Entries

num_err_log_entries 表示错误日志条目数量。这个数值不一定代表硬盘马上损坏，但如果它持续增长，就说明设备层面出现过异常。

例如：

num_err_log_entries : 120

这种情况需要结合系统日志继续排查：

dmesg | grep -i nvme
journalctl -k | grep -i nvme

如果看到类似信息：

nvme0: I/O timeout
nvme0: reset controller
blk_update_request: I/O error

就说明系统层面已经感知到 NVMe 异常，不能只看业务是否还在运行。

七、Critical Warning 非 0，一定要重视

critical_warning 是 NVMe 健康状态里非常关键的字段。

正常情况下通常是：

critical_warning : 0

如果不是 0，就要重点排查。它可能代表备用空间不足、温度异常、可靠性下降、介质进入只读等问题。

常见风险包括：

在生产服务器上，只要 critical_warning 不是 0，就不建议继续观望太久，至少要先完成数据备份。

八、结合业务场景判断，不要只看单个指标

硬盘健康度不能孤立判断，要结合业务场景。

1. 企业官网服务器

如果只是企业官网、WordPress、图片较少、写入不频繁，NVMe 寿命消耗通常比较慢。重点关注温度和系统日志即可。

推荐配置：

2. 数据库服务器

数据库服务器更关注写入量和错误日志。MySQL binlog、redo log、临时表、慢查询日志都会产生持续写入。

建议关注：

percentage_used
data_units_written
media_errors
num_err_log_entries

如果数据库盘 percentage_used 已经超过 80%，就要准备迁移，不能等到业务报错。

3. 虚拟化服务器

虚拟化宿主机的 NVMe 压力更复杂，因为多个 VPS、数据库、日志、缓存都在同一块盘或同一组盘上。

建议至少使用：

2 × U.2 NVMe RAID1

或者业务数据盘和系统盘分离，避免单盘承载所有读写压力。

4. AI / GPU 推理服务器

AI 推理服务器虽然主要压力在 GPU，但模型文件加载、缓存、日志、数据集读取都会使用 NVMe。尤其是大模型、多实例部署时，NVMe 温度和持续读取性能需要关注。

推荐配置示例：

九、基础巡检方案：每周看状态，每月做记录

对于线上服务器，建议不要等故障发生后才查 NVMe 状态。可以做一个简单巡检流程。

1. 每周检查一次健康状态

nvme smart-log /dev/nvme0n1

重点记录：

percentage_used
temperature
critical_warning
media_errors
num_err_log_entries
available_spare
unsafe_shutdowns

2. 每月对比一次寿命变化

如果一个月内 percentage_used 增长很快，说明业务写入量偏大。

例如：

1月：percentage_used 32%
2月：percentage_used 38%
3月：percentage_used 45%

这种增长速度就要注意，可能是日志、缓存、数据库写入过高。

3. 出现错误日志增长时立即排查

如果 media_errors 或 num_err_log_entries 持续增长，不建议只重启服务器。应该先做三件事：

第一步：立即备份核心数据
第二步：查看 dmesg / journalctl 系统日志
第三步：安排业务迁移或更换硬盘

十、发现 NVMe 异常后应该怎么处理？

不同异常对应的处理方式不同。

如果是 RAID1 或多盘阵列，不能因为“还有一块盘正常”就忽略问题。NVMe 异常盘继续在线运行，可能导致阵列重建风险增加，甚至影响整机 I/O 性能。

十一、实际运维中我会重点看这几个结论

如果时间有限，我一般会用下面这套方式快速判断：

nvme smart-log /dev/nvme0n1
dmesg | grep -i nvme
journalctl -k | grep -i "nvme\|I/O error\|timeout"

然后重点看：

critical_warning 是否为 0
percentage_used 是否超过 80%
temperature 是否长期超过 65℃
media_errors 是否大于 0 且继续增长
num_err_log_entries 是否持续增加
系统日志是否出现 I/O timeout 或 reset controller

只要满足下面任意一种情况，就建议提前处理：

Critical Warning 非 0
Media Errors 持续增长
Percentage Used 接近或超过 100%
NVMe 经常出现 timeout / reset
数据库或系统出现只读、卡顿、写入失败

结语

NVMe 硬盘健康度判断并不复杂，真正重要的是不要只看“服务器还能不能开机”或者“硬盘还能不能识别”。对于生产服务器来说，寿命、温度、错误日志才是更有价值的判断依据。

如果是一台普通测试机，部分指标轻微异常可以继续观察；但如果是跨境电商网站、企业官网、数据库、财务系统、API 服务、虚拟化平台，就应该更保守一些。NVMe 硬盘一旦开始出现介质错误、严重警告或系统 I/O 异常，最稳妥的做法不是反复重启，而是先备份、再迁移、最后更换。

服务器硬盘的稳定性，很多时候不是等它坏了才处理，而是在它“开始不对劲”的时候就提前把风险消化掉。