web-dev-qa-db-ja.com

なぜこのSSDドライブは不良セクターで失敗し、予測可能でしたか？

注：この質問は以前はトピックから外れていました。 ディスカッション を読むことができます。ここで質問する理由は次のとおりです。

  • このドライブは、ザンビアの田舎の学校向けのオフラインコンテンツキャッシュサーバーにあります。
  • サーバーはディスクイメージから作成され、すべてのコンテンツは交換可能です。
  • ザンビアの学校は予算が限られていて、たくさんあるので、それは安くなければなりません。
  • また、交換するには、悪路で片道8時間かかる可能性があるため、信頼性も必要です。
  • ここで「超安価ながらくた」ではないドライブを尋ねることはできません。
  • したがって、私たちはこれらの基準を満たすドライブで独自の研究と実験を行っています。
  • 不良セクターを上書きして自動修復する（自動再割り当て）ことができなかったため、私の想定に反し、その理由を知りたくなりました。
  • セキュリティの消去で不良セクタが修正されるのではないかと思ったのですが、ドライブをゴミ箱に捨てる前に他の人の意見を聞きたかったのです。
  • SMARTデータでエラーを予測できなかった可能性があるため、何かを見落としたのではないかと思いました。

これはキングストンの240GB SSDディスクであり、サイトで約3か月間正常に機能しており、突然不良セクターが発生しました。

smartctl 5.41 2011-06-09 r3365 [i686-linux-3.2.20-net6501-121115-1cw] (local build)
Copyright (C) 2002-11 by Bruce Allen, http://smartmontools.sourceforge.net

=== START OF INFORMATION SECTION ===
Device Model:     Kingston SVP200S3240G
Serial Number:    50026B7228010E5C
LU WWN Device Id: 5 0026b7 228010e5c
Firmware Version: 502ABBF0
User Capacity:    240,057,409,536 bytes [240 GB]
Sector Size:      512 bytes logical/physical
Device is:        Not in smartctl database [for details use: -P showall]
ATA Version is:   8
ATA Standard is:  ACS-2 revision 3
Local Time is:    Tue Mar  5 17:10:24 2013 CAT
SMART support is: Available - device has SMART capability.
SMART support is: Enabled

=== START OF READ SMART DATA SECTION ===
SMART overall-health self-assessment test result: PASSED

General SMART Values:
Offline data collection status:  (0x02) Offline data collection activity
                    was completed without error.
                    Auto Offline Data Collection: Disabled.
Self-test execution status:      (   0) The previous self-test routine completed
                    without error or no self-test has ever 
                    been run.
Total time to complete Offline 
data collection:        (    0) seconds.
Offline data collection
capabilities:            (0x7b) SMART execute Offline immediate.
                    Auto Offline data collection on/off support.
                    Suspend Offline collection upon new
                    command.
                    Offline surface scan supported.
                    Self-test supported.
                    Conveyance Self-test supported.
                    Selective Self-test supported.
SMART capabilities:            (0x0003) Saves SMART data before entering
                    power-saving mode.
                    Supports SMART auto save timer.
Error logging capability:        (0x01) Error logging supported.
                    General Purpose Logging supported.
Short self-test routine 
recommended polling time:    (   1) minutes.
Extended self-test routine
recommended polling time:    (  48) minutes.
Conveyance self-test routine
recommended polling time:    (   2) minutes.
SCT capabilities:          (0x0021) SCT Status supported.
                    SCT Data Table supported.

SMART Attributes Data Structure revision number: 10
Vendor Specific SMART Attributes with Thresholds:
ID# ATTRIBUTE_NAME          FLAG     VALUE WORST THRESH TYPE      UPDATED  WHEN_FAILED RAW_VALUE
  1 Raw_Read_Error_Rate     0x000f   084   084   050    Pre-fail  Always       -       10965286670575
  5 Reallocated_Sector_Ct   0x0033   100   100   003    Pre-fail  Always       -       16
  9 Power_On_Hours          0x0032   000   000   000    Old_age   Always       -       46823733462185
 12 Power_Cycle_Count       0x0032   100   100   000    Old_age   Always       -       127
171 Unknown_Attribute       0x0032   000   000   000    Old_age   Always       -       0
172 Unknown_Attribute       0x0032   000   000   000    Old_age   Always       -       0
174 Unknown_Attribute       0x0030   000   000   000    Old_age   Offline      -       131
177 Wear_Leveling_Count     0x0000   000   000   000    Old_age   Offline      -       1
181 Program_Fail_Cnt_Total  0x0032   000   000   000    Old_age   Always       -       0
182 Erase_Fail_Count_Total  0x0032   000   000   000    Old_age   Always       -       0
187 Reported_Uncorrect      0x0032   000   000   000    Old_age   Always       -       49900
194 Temperature_Celsius     0x0022   033   078   000    Old_age   Always       -       33 (Min/Max 21/78)
195 Hardware_ECC_Recovered  0x001c   120   120   000    Old_age   Offline      -       235163887
196 Reallocated_Event_Count 0x0033   100   100   003    Pre-fail  Always       -       16
201 Soft_Read_Error_Rate    0x001c   120   120   000    Old_age   Offline      -       235163887
204 Soft_ECC_Correction     0x001c   120   120   000    Old_age   Offline      -       235163887
230 Head_Amplitude          0x0013   100   100   000    Pre-fail  Always       -       100
231 Temperature_Celsius     0x0013   100   100   010    Pre-fail  Always       -       0
233 Media_Wearout_Indicator 0x0000   000   000   000    Old_age   Offline      -       363
234 Unknown_Attribute       0x0032   000   000   000    Old_age   Always       -       208
241 Total_LBAs_Written      0x0032   000   000   000    Old_age   Always       -       208
242 Total_LBAs_Read         0x0032   000   000   000    Old_age   Always       -       1001

SMART Error Log not supported
SMART Self-test Log not supported
SMART Selective self-test log data structure revision number 1
 SPAN  MIN_LBA  MAX_LBA  CURRENT_TEST_STATUS
    1        0        0  Not_testing
    2        0        0  Not_testing
    3        0        0  Not_testing
    4        0        0  Not_testing
    5        0        0  Not_testing
Selective self-test flags (0x0):
  After scanning selected spans, do NOT read-scan remainder of disk.
If Selective self-test is pending on power-up, resume after 0 minute delay.

今、私はディスク上の特定の場所で不良ブロックを取得します：

root@iPad2:~# badblocks /dev/sda -v
Checking blocks 0 to 234431063
Checking for bad blocks (read-only test): 8394752 done, 1:15 elapsed
8394756 done, 1:21 elapsed
8394757 done, 1:23 elapsed
8394758 done, 1:24 elapsed
8394759 done, 1:27 elapsed
...
190882871one, 29:49 elapsed
190882888one, 29:53 elapsed
190882889one, 29:54 elapsed
190882890one, 29:56 elapsed
190882891one, 29:58 elapsed
done                                
Pass completed, 80 bad blocks found.

それらは反復可能であるように見え、自動再割り当てが失敗するため、それらに書き込むことによって修正することはできません。

root@iPad2:~# badblocks /dev/sda -wvf 8394756 8394756
/dev/sda is apparently in use by the system; badblocks forced anyway.
Checking for bad blocks in read-write mode
From block 8394756 to 8394756
Testing with pattern 0xaa: 8394756
done                                
Reading and comparing: done                                
Testing with pattern 0x55: done                                
Reading and comparing: done                                
Testing with pattern 0xff: done                                
Reading and comparing: done                                
Testing with pattern 0x00: done                                
Reading and comparing: done                                
Pass completed, 1 bad blocks found.

そして、私はシステムログでこのようなエラーを受け取ります：

ata1.00: exception Emask 0x0 SAct 0x1 SErr 0x0 action 0x0
ata1.00: irq_stat 0x40000000
ata1.00: failed command: READ FPDMA QUEUED
ata1.00: cmd 60/08:00:08:30:00/00:00:01:00:00/40 tag 0 ncq 4096 in
         res 51/40:08:08:30:00/00:00:01:00:00/40 Emask 0x409 (media error) <F>
ata1.00: status: { DRDY ERR }
ata1.00: error: { UNC }
ata1.00: configured for UDMA/133
sd 0:0:0:0: [sda] Unhandled sense code
sd 0:0:0:0: [sda]  Result: hostbyte=DID_OK driverbyte=DRIVER_SENSE
sd 0:0:0:0: [sda]  Sense Key : Medium Error [current] [descriptor]
Descriptor sense data with sense descriptors (in hex):
        72 03 11 04 00 00 00 0c 00 0a 80 00 00 00 00 00 
        01 00 30 08 
sd 0:0:0:0: [sda]  Add. Sense: Unrecovered read error - auto reallocate failed
sd 0:0:0:0: [sda] CDB: Read(10): 28 00 01 00 30 08 00 00 08 00
end_request: I/O error, dev sda, sector 16789512
Buffer I/O error on device sda, logical block 2098689
ata1: EH complete

このディスクで自動再割り当てが失敗する理由がわかりません。 smartctlの出力はすべて私には問題なく見えます。再割り当てされたセクターは16のみで、それは多くありません。このドライブがセクターの再割り当てを拒否する正当な理由はわかりません。 SSDのこのモデルは壊れているのでしょうか、それとも設計が不適切ですか？

ノート：

  • キングストンのドキュメントによると、属性174は「予期しない電力損失」です。
  • 131予期しない電力損失はかなり悪いです。
  • 属性187（Reported_Uncorrect）は、可能な最大値65535のうち49900です。
  • 史上最高気温は78℃とかなり高い

ほとんどの 興味深いSMARTカウンター は、このドライブのキングストンによって隠されています。ただし、スペアセクターの数は、属性196から推測できます。Reallocated_Event_Count、次の式正規化された値：

100 -(100* RBC / MRC)
RBC = Retired Block Count (Grown)
MRE = Maximum reallocation count

正規化された値は100であるため、これはRBC << MREであることを意味するため、再割り当てに使用できるすべてのセクターを使い果たしたことにはほど遠いです。

linuxhard-drivessd
15
qris

安価なSSDには深刻な品質問題があるようです。特定のドライブに問題がある多くのユーザーが見つかります。ただし、ベンダーは同じラベルで異なるドライブ（他のNANDチップ/コントローラーなど）も販売していると思います。そのため、各ドライブの動作が異なる場合があります。

SMART値は、ドライブがすぐに故障することを示していません。私の経験では同じです：突然ドライブエラーが発生し、その後ディスクが故障します。

SSDを使用する理由は何ですか？ SSDの利点は、機械部品がなく、防塵で発熱量も少ないためです。しかし、私はまた多くの不利な点を見ています。

例えばウェアレベリングでもビジー状態のボリュームですぐに到達する可能性がある単一のメモリセルへの書き込み数。ジャーナリングでファイルシステムを使用している場合。

また、電子機器は、従来のハードドライブと同じように、高湿度または高温の影響も受けます。

代わりに、安価な従来のハードドライブを使用せず、（RAIDが不要な場合）交換用として必要になるまで接続されていないスペアドライブをサーバーに同梱してください（サーバーケースにすでに存在するか、ホットスワップケージにマウントされているため、ディスクは別のサーバーで使用できます）。次に、フィールド内のスクリプトまたはリモートから（可能な場合）スクリプトを準備します。

従来のハードドライブの電源が入っていない限り、目的地への輸送は荒くなる可能性があります...

複数の学校サーバー/永続的なクライアントと信頼性の高い/冗長ネットワークがある場合、おそらく分散ファイルシステムもフェイルセーフキャッシュサーバーの作成に役立つ可能性があります（glusterfsを使用するなど）。

2
Reiner Rottmann