"Мозги" Nohau

Вы загрузили старую версию документа! Сохранив её, вы создадите новую текущую версию с этим содержимым.

======NVMe в Linux: SMART и Health для мониторинга дисков======

====Зачем администратору смотреть SMART/health у NVMe====

NVMe‑диски часто деградируют «не как SATA»: сначала растёт latency ступеньками, появляются предупреждения контроллера и записи в NVMe‑логах, а явные ошибки в файловой системе могут проявиться уже позже.

Хорошая новость — NVMe даёт богатую телеметрию: SMART/health log, error log, self‑test log, температуру, счётчики износа и ошибок.

На практике мониторинг NVMe закрывает три задачи:

* **Disk health monitoring** — видеть условия работы и текущий статус (температура, ресурс, циклы питания).
* **Predictive failure** — ловить ранние признаки деградации (рост ``media_errors``, записи в error log, корреляция с timeouts).
* **Триаж инцидентов** — быстро отделить проблему диска от проблем выше (ФС, RAID, питание, PCIe, драйвер, прошивка).

Ниже — практический чек‑лист и команды, которые реально помогают на серверах и виртуалках с NVMe.

====Инструменты: nvme‑cli и smartctl для NVMe====

Для NVMe в Linux обычно используют два инструмента:
* **``nvme-cli``** — «родной» доступ к NVMe‑логам: SMART/health, error log, self‑test log, идентификаторы контроллера/namespace.
* **``smartctl``** (smartmontools) — универсальный вывод, удобно, если у вас уже есть единый пайплайн мониторинга под SATA/SAS и NVMe.

В проде удобно держать оба: ``smartctl`` — для унификации алертов, ``nvme-cli`` — для расследований и детализации.

====Установка====
<code bash>
apt update
apt install -y nvme-cli smartmontools
</code>

<code bash>
dnf install -y nvme-cli smartmontools
</code>

====Быстрая инвентаризация NVMe в системе====
<code bash>
lsblk -d -o NAME,MODEL,SIZE,ROTA,TYPE,TRAN
nvme list
</code>

Как правило, namespace — это ``/dev/nvme0n1``, а контроллер — ``/dev/nvme0``. Важно не путать: файловая система живёт на namespace, а многие логи читаются с контроллера.

====SMART/health через nvme‑cli: база, которую стоит знать====

Основная команда для чтения NVMe SMART/health log:
<code bash>
nvme smart-log /dev/nvme0
</code>

На части систем/моделей лог доступен и по namespace:
<code bash>
nvme smart-log /dev/nvme0n1
</code>

Если сомневаетесь, начинайте с контроллера (``/dev/nvme0``) и проверяйте, что вывод содержит осмысленные значения.

====Ключевые поля: что смотреть в первую очередь====

Названия могут слегка отличаться, но смысл и набор полей обычно стандартны. Для мониторинга я бы выделил:
* **critical_warning** — сводный битовый флаг критических состояний. Ноль — нормально, неноль — повод разбираться сразу.
* **temperature** — текущая температура (перегрев даёт троттлинг и ускоряет деградацию).
* **available_spare** и **available_spare_threshold** — запас по резервным блокам и порог.
* **percentage_used** — оценка «израсходованного ресурса» (0–100+). Это не «процент оставшегося времени», а индикатор того, что ресурс выработан на N % по оценке контроллера.
* **media_errors** — один из самых важных индикаторов: неисправимые ошибки носителя/целостности.
* **num_err_log_entries** — количество записей в NVMe error log (важнее динамика, чем «сам факт»).
* **power_on_hours**, **power_cycles**, **unsafe_shutdowns** — «биография» диска и качество окружения (питание/сбросы).

====Как интерпретировать critical warning (битовая маска)====

Поле **critical_warning** — битовая маска. Точная расшифровка зависит от версии спецификации и реализации, но часто встречается такая логика:
* бит 0: available_spare ниже порога;
* бит 1: температура вышла за пределы (over/under temperature);
* бит 2: деградация надёжности (device reliability degraded);
* бит 3: устройство в режиме «только чтение»;
* бит 4: требуется backup / критический ресурс.

> Практическое правило: critical_warning не равен нулю — это не история «понаблюдаем», а повод немедленно проверить логи, актуальность бэкапов и план замены.

Для контекста полезно собрать идентификаторы контроллера и namespace:
<code bash>
nvme id-ctrl /dev/nvme0
nvme id-ns /dev/nvme0n1
</code>

====SMART через smartctl: когда нужен единый подход====

Если у вас уже есть мониторинг на базе smartmontools, NVMe отлично читается через **smartctl**:
<code bash>
smartctl -a /dev/nvme0
</code>

Иногда полезно явно указать тип устройства:
<code bash>
smartctl -a -d nvme /dev/nvme0
</code>

В выводе ищите аналоги: Critical Warning, Media and Data Integrity Errors, Percentage Used, температуру и счётчики Power On Hours/Unsafe Shutdowns.

====Почему значения в nvme‑cli и smartctl могут отличаться====

Чаще всего отличия — это формат представления (например, smartmontools пересчитывает data units в удобные объёмы), а также vendor‑specific поля. Для мониторинга важнее динамика и пересечение порогов, чем совпадение цифр «до последнего знака».

====Ошибка носителя (media errors): что считать нормой, а что нет====

**media_errors** (в smartctl обычно Media and Data Integrity Errors) — счётчик неисправимых ошибок носителя/целостности. В идеале он равен нулю и остаётся нулём.

Если **media_errors** стал больше нуля, действуйте по плану:
1. **Зафиксируйте текущее значение** и начните смотреть динамику (рост важнее абсолютного значения).
2. **Снимите NVMe error log** и проверьте повторяемость/тип ошибок.
3. **Проверьте kernel log** на reset/timeout/AER и корреляцию по времени.
4. **Сократите риск**: проверьте бэкапы/репликацию, подготовьте миграцию данных.
5. **Планируйте замену**: растущий media_errors в проде — это практический predictive failure.

Регулярные reset/timeout могут означать как деградацию диска, так и проблемы окружения (PCIe, питание, прошивка, температурный режим, драйвер). Поэтому всегда смотрите связку: kernel log + рост num_err_log_entries + рост media_errors + жалобы приложений на latency.

====NVMe error log: быстрый способ понять «что именно болит»====

Даже когда critical_warning ещё нулевой, в error log могут появляться записи. Снимок error log:
<code bash>
nvme error-log /dev/nvme0
</code>

Если хотите увидеть больше записей:
<code bash>
nvme error-log /dev/nvme0 -e 256
</code>

На что смотреть в первую очередь:
* повторяемость одного и того же статуса/ошибки;
* связь по времени с просадками производительности и таймаутами в ядре;
* появление ошибок после обновления ядра или изменения прошивки/BIOS.

> Если error log растёт, но media_errors остаётся нулём — это ещё не приговор. Но это повод проверить термальный режим, стабильность PCIe, версию прошивки и…

Пожалуйста, введите код подтверждения, чтобы доказать, что вы человек:

  _      __  _   __   ___    __ __  _   __
 | | /| / / | | / /  / _ |  / // / | | / /
 | |/ |/ /  | |/ /  / __ | / _  /  | |/ / 
 |__/|__/   |___/  /_/ |_|/_//_/   |___/

Пожалуйста, оставьте это поле пустым:

Сводка изменений

Примечание: редактируя эту страницу, вы соглашаетесь на использование своего вклада на условиях следующей лицензии: CC Attribution-Share Alike 4.0 International