巡检报告全绿，磁盘就没有风险吗？

不一定，巡检报告全绿，并不代表磁盘没有风险。很多运维人员默认"盘没报警 = 盘没事"，但磁盘故障很少是突然发生的——它是一个渐进过程：坏道从几个 sector 开始蔓延，重试次数逐渐增多，SSD 寿命逐步下降。等巡检能"看到"的时候，往往已经是故障了。

---

磁盘不会突然坏掉——坏之前，它早就告诉你了。今天讲讲如何在磁盘发生故障之前发现它。

01 / SMART HEALTH SIGNALS

磁盘坏之前，真的有信号吗？

有。信号记录在磁盘自身的健康数据（SMART）中。

最值得关注的两个指标：

指标	含义	危险判定
Reallocated_Sector_Ct（重映射扇区数）	已经坏掉、被硬盘用备用扇区替换掉的扇区数量	大于 0 即说明已出现过坏扇区；持续增长表示状态恶化
Current_Pending_Sector（待映射扇区数）	正在尝试修复的坏扇区	大于 0 需要警惕；修复失败会转为重映射扇区

手动查看（以 /dev/sdc 为例）：通过 smartctl 查看 SMART 健康状态与明细指标，返回值非 0，即表示磁盘自身已存在异常。

典型案例　某客户环境 6 月发现一块盘有坏道，但一直未移除。坏道持续蔓延，最终在业务持续写入时把数据写进了即将损坏的区域——三副本集群里这块盘对应的数据恰好没有在其他副本上，结果只能丢弃数据、将 OSD 离线来恢复集群。从"有几个坏道"到"丢数据"，中间隔着几个月的窗口期，足够完成处置。

另一个需要特别注意的反面操作：SMART 信息出现问题时，不应通过修改数据库把它"瞒"过去。数据不会说谎，掩盖问题只会延误处理时机、加剧故障风险。

02 / TREND OVER ABSOLUTE

SMART 指标一大堆，单次数值怎么判断？

单次数值容易误判，趋势比绝对值重要。

这也是亚健康检测引入"观察期"机制的原因：

01 坏道类指标（重映射、待映射扇区）：超阈值直接定级——这类是实际的物理损伤，无需等待

02 计数型指标：首次检出先进观察期，连续两次检测都异常才升级为警告——避免把偶发抖动当成必然故障

判断标准如下：

磁盘类型	盯什么	预警线
机械盘（HDD）	重映射扇区、待映射扇区	> 0 且持续增长
SSD	剩余寿命	≤ 20% 警告，≤ 10% 严重，应纳入备盘计划
NVMe	磨损度 / 介质错误 / Critical Warning	三个字段任一异常即关注

SSD 和 NVMe 不能只看"健康"一个结论。剩余寿命 20% 时看似尚可，但如果写入量较大，降至 10% 可能只需要几周时间。

另外，RAID 卡环境下系统直连命令看不到成员盘 SMART，需要用 storcli64 /c0/eall/sall show 这类阵列卡工具查询——很多客户认为"做了 RAID 就不用管单盘"，实际恰恰相反：RAID 只是提供容错保障，RAID 组里的每一块盘同样需要关注。

03 / SAFE DISK REPLACEMENT

发现亚健康的盘，直接拔了换？

不建议直接拔盘。集群存储环境下，带数据的盘直接下电，轻则触发不必要的数据恢复和迁移，重则副本数跌破安全线。

规范操作分为四步：

01 先看全局　确认集群健康、副本冗余充足，暂时关掉全局高可用开关，避免换盘过程触发意外迁移

02 安全移除　把这块盘对应的 OSD 从存储池正常移除，让数据先在其他副本上补齐

03 清理记录　数据盘管理里删掉已移除的磁盘记录，再物理更换

04 恢复验证　新盘上线后确认集群恢复健康、数据完成均衡，再把之前关掉的开关打开

另一个容易被忽视的信号：换盘记录本身就是风险信号。有客户从 4 月起连续多块数据盘故障换盘（内存、背板、缓存盘都换过），最后在 6 月发生宕机——如果是同一节点反复坏盘，问题可能不在盘上，而在背板、线缆或电源，此时应排查"为什么同一位置反复坏盘"，而不是继续逐块更换。

04 / SELF-CHECK CHECKLIST

自查清单

01 清点 SMART 基线　所有主机和存储节点的盘跑一遍 smartctl，把重映射/待映射扇区大于 0 的盘列出来，形成观察名单

02 给观察名单定复查节奏　坏道类指标至少每两周采集一次，看趋势不看单点

03 SSD/NVMe 盘看寿命　剩余寿命低于 20% 的进备盘计划，低于 10% 的立即安排更换

04 回顾过去半年的换盘记录　同一节点换过 2 块以上盘的，排查背板和线缆

05 用工具替代手工　每日轻量采集（分钟级跑完）、按磁盘序列号自动串联历史快照、坏道指标自动定级——这些交给巡检工具做，人只处理"被点名"的盘

05 / VENDOR ESCALATION

什么情况必须联系厂商？

单盘坏道指标持续增长　重映射或待映射扇区每周都在上涨，应尽快进入更换流程

OSD 出现 I/O error 或 PG inconsistent　说明坏道已经影响数据；自行 repair 失败过的更需要上报——有案例 repair 触发存储池延迟突增、业务中断

集群内多块盘同时慢 IO　多盘同时异常往往不是巧合，可能是固件、背板或配置问题

缓存盘故障　缓存盘直接关系到写路径和性能，按紧急处理

同一节点反复坏盘　大概率不是盘的问题，需要厂商排查硬件环境

巡检反映的是当前状态，SMART 趋势预示的是潜在故障。

把磁盘亚健康检测纳入月度例行工作，坏道开始蔓延的第一天就能发现，而不是丢数据的那天才知道。

磁盘亚健康检测（坏道指标自动定级、SSD 寿命分级、每日轻量采集、按序列号串联历史趋势）现已内置在巡检工具中：让工具盯趋势，人只处理"被点名"的盘。

注：本文数据来自 ZStack 平台真实工单与技术支持案例库。