磁盘rejecting I/O to offline device故障导致4TB生产数据库无法访问

1、项目背景

某重要项目使用oracle数据库，基于ADG构建一主一备，数据总量在4TB左右，正常运行了近5年。最近备库因磁盘性能严重下降导致主从同步延迟了1.4T的归档日志未被应用（每天生产350G的日志，延迟了4天），目前所有的应用都切换到主库，备库进行检修。然而刚切换2天，主库于周5晚上挂掉了，所以就有了这篇文章，旨在为遇到相同问题的朋友提供一些处理思路和方法，当然希望大家不会看到这篇文章最好。

2、系统环境

2台数据库服务器：system x3950 x6 ，一共16块硬盘，前4块硬盘大小为300GB,后12块大小为4T，以4块硬盘为一组做的raid10.
操作系统版本：redhat6.5
数据库版本:oracle11.2.0.4
OGG版本：ogg12.2.0.1
数据库架构：基于ADG构建一主一备

3、故障描述

1、磁盘分区挂载的几个目录执行ls无法显示信息，报input/output错误
2、/var/log/messages相关报错信息如下
Jan 31 03:47:03 test-db-2 kernel: sd 1:2:0:0: rejecting I/O to offline device
Jan 31 03:49:47 test-db-2 kernel: sd 1:2:0:0: rejecting I/O to offline device
Jan 31 03:49:47 test-db-2 kernel: sd 1:2:0:0: rejecting I/O to offline device
Jan 31 03:49:47 test-db-2 kernel: sd 1:2:0:0: rejecting I/O to offline device
Jan 31 03:49:47 test-db-2 kernel: sd 1:2:0:0: rejecting I/O to offline device
Jan 31 03:49:47 test-db-2 kernel: sd 1:2:0:0: rejecting I/O to offline device
Jan 31 03:49:47 test-db-2 kernel: sd 1:2:0:0: rejecting I/O to offline device
Jan 31 03:49:47 test-db-2 kernel: sd 1:2:0:0: rejecting I/O to offline device
Jan 31 03:49:47 test-db-2 kernel: sd 1:2:0:0: rejecting I/O to offline device
Jan 31 03:49:47 test-db-2 kernel: sd 1:2:0:0: rejecting I/O to offline device
Jan 31 03:49:47 test-db-2 kernel: sd 1:2:0:0: rejecting I/O to offline device
Jan 31 03:49:47 test-db-2 kernel: sd 1:2:0:0: rejecting I/O to offline device
Jan 31 03:49:47 test-db-2 kernel: sd 1:2:0:0: rejecting I/O to offline device
3、数据库无法访问，其中45个数据文件在sdc2,sdc3分区上.
4、数据库备份在sdd1分区上，无法基于备份来及时恢复。

4、问题排查

1、确认数据库无法正常打开的原因
2、确认数据库服务器上硬盘是否有告警情况

5、问题分析与解决

1、磁盘IO错误导致磁盘分区上的45个数据文件无法方法，所以数据库无法直接打开，将45个数据文件offline，尝试打开数据库后，发现访问业务表报了大量的数据文件不存在，此时数据库无法对外提供正常访问。
2、服务器硬盘16块，以4块盘为一组做的raid10，分别对应sda,sdb,sdc,sdd，目前发现sdd对应的一块磁盘亮黄灯告警，正常情况下一块磁盘亮黄灯应该是不影响的，这里可能存在逻辑错误，可以将这几个分区umount通过fsck检查一下是否有坏块（遗憾的是通过fsck无法检测到这几个分区），接下来考虑重启动服务器(先关机、在启动)
重新启动的原因：
1、数据库无法正常对外提供访问
2、数据库备份无法访问
3、只有一个块磁盘亮黄灯，在重启过程中看看是否有其他报错信息或文件系统是否能自动修复
在数据库服务器关闭过程中，花了近1个小时都没有正常关闭，一直处理如下界面
最后，通过服务器上的开关键强制关闭了服务器，接下来将有亮黄灯的磁盘拔了出来，重新启动服务器



数据库服务器正常启动后发现sdc2,sdc3挂载并访问了，sdd目前无法正常挂载，尝试打开数据库并将所有处于offline的数据库文件变成online
首先将30号数据文件进行recover再online
SQL> alter database datafile 30 online;
alter database datafile 30 online
*
ERROR at line 1:
ORA-01113: file 30 needs media recovery
ORA-01110: data file 30: ‘/test/test2/teststg01.dbf’

SQL> recover datafile 30;
Media recovery complete.
SQL> select file#,status,name from v$datafile;

---

30 OFFLINE /test/test2/teststg01.dbf
31 RECOVER /test/test2/teststg02.dbf
32 RECOVER /test/test2/teststg03.dbf
33 RECOVER /test/test2/bigdata01.dbf

…

SQL> alter database datafile 30 online;
Database altered.
批量执行
SQL>recover datafile 31,32,33,34,35,36,37,38,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60, 63;

SQL>alter database datafile 31,32,33,34,35,36,37,38,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,63 online;

到此所有数据文件都online了，接着执行dump备份并拷贝到其他服务器上

6、总结与思考

当把所有业务数据导出来了后，数据库出故障前的数据都存在，接下来就是及时恢复业务了，后面要完成的工作还有很多，后期接着更新。但通过这次数据库故障还是发现很多问题，所以有必要进行相应的总结与思考，避免再出现类似的情况。

当备库出现问题时，以下几点应该可以做到更好

1、虽然及时向公司报备了，但没有引起导相关领导的足够重视（因为有主库或领导关心的点不在这里，费用从哪里出的问题）
2、应该立即到机房进行巡检，两台设备是同时采购的（因进机房手续繁锁、分工有遗漏或不明确）
3、应该将主库上的备份及时备份其他服务器上
4、准备好其他备用服务器，最好是相同配置的，如果没有相同配置的，也可以降低配置，将最重要的业务数据实时同步过去。