服务器硬盘健康检查该看哪些指标?SMART告警与I/O异常如何区分
服务器硬盘交付后能识别、能读写,不等于已经通过健康验收。SMART告警可能提示介质或设备自身风险,I/O异常则可能来自硬盘、控制器、线缆、驱动或业务负载;把两者混为一谈,容易漏掉即将失效的盘,也可能误换一块本身正常的硬盘。
验收时应分别核对设备识别与错误日志、SMART健康信息、实际I/O表现,以及异常是否能定位到单盘。判断依据不能只看一个“PASSED”状态或某个固定延迟值,而要结合硬盘类型、业务负载、历史基线和错误是否持续增长。
先确认检查对象和数据来源
开始验收前,先确认盘的型号、序列号、接口、容量、介质类型,以及它在系统中的设备名。设备名可能因重启、插拔或控制器配置变化而改变,不能只凭 /dev/sdX 判断是哪一块盘。应将系统识别结果与采购或交付清单逐一对应。
Linux 环境可先查看块设备与挂载关系:
lsblk -o NAME,TYPE,SIZE,MODEL,SERIAL,ROTA,TRAN,MOUNTPOINTS
其中 ROTA=1 通常表示旋转介质,ROTA=0 通常表示非旋转介质;它是系统报告的属性,不宜替代型号资料或控制器信息。若硬盘接在 RAID 控制器后,系统可能只看到逻辑卷,无法直接读取每块物理盘的 SMART 数据。此时应使用控制器厂商提供的管理工具或带外管理界面,核对物理盘槽位、序列号、预测故障状态和控制器错误记录。
| 核对对象 | 要确认的内容 | 判断依据 |
|---|---|---|
| 设备身份 | 型号、序列号、容量、接口、系统设备名 | 与交付清单一致;物理盘序列号可对应到槽位 |
| 介质类型 | HDD、SATA/SAS SSD、NVMe SSD | 后续指标和工具与接口匹配 |
| 数据通路 | 直连、RAID 控制器、虚拟化或云平台 | 明确 SMART 数据来自物理盘还是逻辑设备 |
| 运行环境 | 文件系统、挂载点、业务用途 | 只对实际承载的设备和负载做验收 |
如果是云服务器或托管平台,客户系统可能只能看到虚拟磁盘,无法读取底层物理盘 SMART。此时应以服务商提供的存储状态、实例事件和工单记录为补充证据,不要把虚拟设备上的 SMART 缺失直接判断为硬盘故障。
SMART:重点看健康状态、错误和变化趋势
SMART 是设备自我监测信息的集合,不同厂商、型号和固件可能采用不同属性名称、原始值编码和阈值。验收时应同时看总体健康状态、关键属性、错误日志和自检结果;不能把所有硬盘都套用同一组属性编号或原始值解释。
SATA/SAS 设备可使用 smartctl 查看信息,具体参数会因接口和控制器而异:
sudo smartctl -a /dev/sdX
NVMe 设备可查看健康日志:
sudo nvme smart-log /dev/nvme0
这些命令只读设备信息。RAID 控制器后的物理盘可能需要指定控制器类型或通过控制器工具查询;若工具无法识别设备,应先确认访问路径,而不是据此认定硬盘没有 SMART 功能。
HDD:坏扇区相关指标和机械状态
HDD 的 SMART 属性编号并非所有厂商统一,但常见关注项包括重映射扇区、待映射扇区、不可校正错误,以及寻道或主轴相关错误。部分工具会把它们显示为 Reallocated_Sector_Ct、Current_Pending_Sector、Offline_Uncorrectable 等名称。
- 待映射扇区或不可校正错误:出现非零值,说明存在读写困难或无法纠正的数据区域,应检查是否伴随系统 I/O 错误,并尽快备份重要数据。单次读错误不一定能单独证明整盘失效,但不适合作为“无异常”的验收结果。
- 重映射扇区:少量历史值不一定意味着设备正在恶化。关键是是否持续增加,以及是否同时出现待映射扇区、不可校正错误或读写失败。新交付盘若已有相关记录,应要求供应方解释来源,不能只因总体状态显示通过就忽略。
- 寻道、主轴及接口错误:需结合型号定义和错误日志判断。部分计数可能由断电、线缆接触不良或重试造成,不能仅凭一个属性的原始值直接判定介质损坏。
如果同一块盘的坏扇区相关计数持续增长,或者系统日志反复出现该设备的介质错误,应视为明确风险信号。验收阶段至少应记录一次基线,必要时在一段正常业务运行后复查;比较的是同一属性、同一设备的变化,而不是拿不同型号的原始值横向比较。
SSD 和 NVMe:介质寿命、错误与温度
SSD 的耐久指标和字段名称随接口、型号、固件而异。SATA SSD 常见项目包括磨损或剩余寿命估算、已写入量、不可校正错误;NVMe 健康日志常见项目包括:
- Critical Warning:非零时应查明警告所指向的状态,例如备用空间、温度或可靠性问题;具体含义以设备规范和工具输出为准。
- Available Spare 与阈值:可用备用空间低于设备报告的阈值时,属于需要处理的信号。
- Percentage Used:表示设备报告的寿命消耗估算,不是剩余运行时间的精确倒计时。接近或超过 100% 时,应结合厂商耐久定义、写入量及业务重要程度评估更换计划。
- Media and Data Integrity Errors:若持续增长或与应用读写失败同时出现,应按介质完整性风险处理。
- 温度、警告温度时间:应判断是否超过设备规格或长期处于高温状态。短时温度峰值与持续热告警的风险不同。
NVMe 可用以下命令读取健康日志:
sudo nvme smart-log /dev/nvme0
输出中的单位与字段含义应以工具说明及设备规范为准。例如 Data Units Written 是按 NVMe 规定的数据单位计数,不应把其原始数字直接当作 GB。验收重点是字段状态、设备阈值、累计变化和是否出现错误,而不是仅凭一个寿命百分比决定通过或淘汰。
SMART 总体状态与自检结果
PASSED 或类似总体状态只表示设备未报告超过其预设阈值的特定故障条件,不代表“所有指标正常”,也不能证明负载下没有 I/O 问题。反过来,某个原始属性数值较大,也不必然代表故障;厂商可能采用编码值,需看归一化值、阈值、厂商说明和趋势。
验收时可检查最近的自检记录。短自检适合快速筛查,长自检耗时较久,且可能增加设备负载;运行前应确认业务允许,并按工具与设备支持的方式执行。若自检失败、记录中有未完成或读错误,应结合错误日志复核,不能把“命令已执行”当作测试通过。
I/O:区分设备慢、负载高与链路异常
SMART 关注设备自报的健康状态;I/O 指标反映的是一段时间内系统观察到的读写表现。I/O 延迟升高不等于硬盘已经损坏:队列堆积、同步写入、文件系统操作、内存回写、RAID 重建、虚拟化共享存储或业务突发,都可能造成延迟上升。
可用 iostat 观察设备在采样区间内的吞吐、请求数、平均等待时间、队列和利用率:
iostat -x 1 10
常见字段包括 r/s、w/s、rkB/s、wkB/s、await、aqu-sz 和 %util。不同版本字段名称可能略有差异,且输出通常是区间统计,不是某个请求的最大延迟。
| I/O 观察项 | 核对方式 | 如何判断 |
|---|---|---|
await | 在有代表性的业务时段连续采样 | 与同盘、同负载基线比较;持续升高且业务变慢才有判断价值 |
aqu-sz | 查看队列是否持续积压 | 队列长期上升且吞吐没有相应增加,需检查设备能力、负载和链路 |
%util | 结合吞吐、队列和设备类型看 | 接近满负载说明设备忙,不单独等于故障;NVMe 并行能力强,单看该值尤其容易误读 |
| 读写错误和超时 | 查内核日志、控制器日志 | 同一设备反复出现 I/O error、命令超时或重置,比单次延迟峰值更值得警惕 |
| 业务结果 | 看应用报错、请求耗时和吞吐 | 与设备指标在时间上同步,才有助于定位存储影响 |
验收没有适用于所有盘的统一 await 上限。随机小块访问、顺序大块传输、低队列深度和高并发场景表现差异很大;HDD 与 SSD 的合理延迟范围也不同。可操作的判断方法是:在相近业务负载下,对比同类设备的历史基线和交付目标,观察异常是否持续、是否影响业务,以及是否与设备错误同步出现。若没有既定性能目标,就不能仅凭一次采样宣称性能达标。
SMART 告警与 I/O 异常怎么区分
两类信号可以同时出现,也可能只出现一类。判断时先看错误是否来自硬盘自身,再看系统观察到的延迟和吞吐是否与负载变化对应。

| 现象 | 更可能说明什么 | 验收处理 |
|---|---|---|
| SMART 介质错误或关键警告,且同盘 I/O error 持续出现 | 硬盘介质或设备状态风险较高 | 保护数据,保存日志和 SMART 输出,按更换或供应商复核流程处理 |
| SMART 状态无明显异常,但延迟与队列在高负载时上升 | 可能是负载超过设备或共享链路能力 | 对照业务峰值、吞吐和基线;不能直接判为硬盘损坏 |
| I/O 延迟异常,同时出现链路重置、CRC 或控制器报错 | 线缆、背板、接口、控制器或供电路径也可能有问题 | 先定位错误来源与槽位,检查控制器事件;不要仅凭延迟换盘 |
| SMART 有历史计数但长期不变,I/O 正常 | 可能是历史事件或厂商计数特性 | 留存初始值,后续复查趋势;必要时向设备供应方核对属性定义 |
| SMART 无告警,但出现读写超时或文件系统报错 | SMART 未覆盖该故障,或问题位于通路其他环节 | 查内核与控制器日志,确认错误是否集中于单盘或同一链路 |
Linux 下可查看内核近期存储相关消息:
sudo journalctl -k --since "24 hours ago"
重点留意包含设备名、I/O error、timed out、设备重置或链路错误的记录。不同驱动和控制器的日志措辞不同;若多块盘在同一控制器、背板或链路上同时异常,应优先排查共同路径,而不是把每块盘都认定为故障。
验收记录与复核条件
每块物理盘应有独立记录,至少保留型号、序列号、固件版本、接口或槽位、SMART 完整输出、关键计数、自检结果,以及 I/O 采样时的业务负载和时间。只记录“SMART正常”或“硬盘性能正常”,后续很难比较变化,也不利于区分盘体与链路问题。
验收结论可按以下原则给出:
- 通过:身份和容量符合交付要求;没有未解释的关键告警或持续增长的介质错误;代表性负载下 I/O 表现符合双方约定目标,系统和控制器日志无持续设备错误。
- 暂缓确认:存在非零历史计数、单次延迟峰值或信息不完整,但尚无持续恶化证据。记录基线并复查,必要时要求供应方提供型号级属性解释。
- 不通过或升级处理:关键健康告警、自检失败、介质错误持续增长、重复 I/O 超时,或目标负载下持续达不到约定指标。先保护数据,再按设备、链路和控制器范围定位并处理。
发现异常时,不要为了验收而对生产盘随意运行破坏性写入测试,也不要在未确认数据保护和业务窗口前做会造成高负载的全盘测试。先保存现有日志与健康信息,确认异常是否集中在单盘;更换或调整后,再按相同采样方法复核 SMART 计数、控制器事件和业务负载下的 I/O 表现。
A5数据在中国香港、日本等地区提供物理服务器,覆盖NVMe、SSD及大容量HDD存储配置。香港存储系列配备多块企业级机械硬盘与H730控制器,日本部分方案提供大容量HDD或多块SSD,可为文件存储、备份归档及不同I/O负载的业务提供硬件资源基础;多地区产品也涵盖不同CPU、内存与网络配置,适用于多样化的服务器部署场景。
本文由A5数据原创发布,转载请注明出处:https://www.a5idc.com/helpcontent/5204.html
