常用PC服务器阵列卡、硬盘健康监控叶金荣

发布时间：2016-05-28 19:55:08 作者：叶金荣

通常，我们使用的DELL/HP/IBM三家的机架式PC级服务器阵列卡是从LSI的卡OEM出来的，DELL和IBM两家的阵列卡原生程度较高，没有做太多封装，可以用原厂提供的阵列卡管理工具进行监控；而HP的阵列卡一般都做过封装了，因此需要使用自身特有的管理工具来监控

通常，我们使用的DELL/HP/IBM三家的机架式PC级服务器阵列卡是从LSI的卡OEM出来的，DELL和IBM两家的阵列卡原生程度较高，没有做太多封装，可以用原厂提供的阵列卡管理工具进行监控；而HP的阵列卡一般都做过封装了，因此需要使用自身特有的管理工具来监控。

本文以几种常用的阵列卡为例，展示其阵列卡及硬盘监控的方法。
DELL SAS 6/iR卡，全称LSI Logic SAS1068E，只支持RAID 0, RAID 1, RAID 1+0, 不支持RAID 5等高级RAID特性，不支持阵列卡电池。
DELL PERC PERC H700卡，全称LSI Logic MegaRAID SAS 2108，支持各种RAID级别及高级特性，可选配阵列卡电池。
DELL PERC H310 Mini卡 ，全称LSI Logic / Symbios Logic MegaRAID SAS 2008，支持常见RAID级别，不支持高级RAID特性，不支持阵列卡电池。
IBM ServeRAID M5014 SAS/SATA Controller卡，全称LSI Logic / Symbios Logic MegaRAID SAS 2108，支持各种RAID级别及高级特性，可选配阵列卡电池。
IBM ServeRAID-MR10i SAS/SATA Controller卡，全称LSI Logic / Symbios Logic MegaRAID SAS 1078，支持常见RAID级别，不支持高级RAID特性，可选配阵列卡电池，这个卡其实和DELL的PERC 6/i卡是一样的，都是基于LSI MegaRAID SAS 1078基础上OEM出来的。

上面是几种常见的阵列卡型号，更多的可以自行查看官方的技术手册。

下面我们要继续的是，这些阵列卡以及硬盘如何监控，阵列卡的管理也请查看官方技术手册，不在本文讨论范畴，或者查看作者的一个分享PPT：PC服务器阵列卡管理简易手册。

一般地，支持RAID 5的卡，我们称其为阵列卡，都可以使用LSI官方提供的MegaCli工具来管理，而不支持RAID 5的卡，我们称其为SAS卡，使用lsiutil工具来管理。HP的服务器使用其特有的hpacucli工具来管理。

1、MegaCli工具
a) MegaCli -adpallinfo -aall — 查看阵列卡信息
-a 参数指定阵列卡的编号，一般服务器上只会配一个阵列卡，因此我们通常指定为 -a0（阵列卡适配器编号，从0开始）即可，主要关注下面几个信息：

状态值	对应含义
Product Name : PERC H710 Mini	阵列卡名称
FW Package Build: 21.2.0-0007	阵列卡firmware版本号，版本如果太低，建议升级以提高稳定性及性能
BBU : Present	是否有配BBU电池

b) MegaCli -cfgdsply -aall — 查看阵列配置

状态值	对应含义
Memory: 512MB	阵列卡cache大小，2的N次方，如果不是，说明阵列卡有异常
Number of dedicated Hotspares: 0	阵列是否有专用/独享热备盘（如果有多个逻辑磁盘组/disk group，则可以指定一个硬盘用于全局热备，那么该disk group上的专用热备盘数量为0也不用担心），除了RAID 1/RAID 1+0一般不指定热备盘以外，其他几个阵列级别建议都要指定热备盘
State : Optimal	阵列状态，如果不是 Optimal 就要关注了
Current Cache Policy: WriteBack, ReadAheadNone, Direct, Write Cache OK if Bad BBU	阵列读写cache策略，建议写策略设置为FORCE WB，最起码是WB，预读策略可以关掉，意义不大，几乎没影响
Disk Cache Policy : Disabled	硬盘cache策略，建议关闭，防止意外时数据丢失
Current Power Savings Policy: None	节电策略，建议关闭
Media Error Count: 0	三个错误计数器，任何一个值大于100就要立刻引起关注，尤其要关注起增长速度。1T以上SATA盘，计数值不够精确，可能所有盘上该值都会大于0，一般重启就会重新清0，如果重启后还是大于0的话，赶紧报修吧。SAS盘的计数值则比较准确。
Other Error Count: 0
Predictive Failure Count: 0
Firmware state: Online, Spun Up	查看硬盘状态，如果是unconfigured表示该硬盘未分配加入到阵列中；如果是 unconfigured(bad)表示该盘不但是未分配，而且还坏了，正是“出师未捷身先死”；如果是failed，表示该盘故障无法识别；如果是rebuilding，表示该盘正在重建数据

c) MegaCli -adpbbucmd -aall — 查看阵列卡电池信息

状态值	对应含义
Temperature: 39 C	查看电池温度，如果相比上一次查看高出不少，就需要关注了，或者可以根据经验设置一个基线值
Battery State: Optimal	电池状态，如果不是为Optimal，就需要关注了
Charger Status: Complete	电池充放电状态
isSOHGood: Yes	电池状态，如果不是为Yes，需要关注
Relative State of Charge: 93 %	当前电量，当电量低于15%，或者电池坏掉时，默认都会将写策略从WB改成WT，除非设定为FORCE WB策略
Max Error = 0 %	电池是否有错误信息
Next Learn time: Tue Oct 14 22:06:50 2014	电池充放电时间，注意这是美国时间。另外，新的阵列卡电池很多改成电容式的了，也就不需要重复充放电了

d) MegaCli -fwtermlog -dsply -aALL 查看阵列卡日志，关注里面的error/fail/warn等多个关键字

2、lsiutil工具
lsiutil有交互和非交互两种方式，作为监控，我们肯定选择非交互模式。想要使用交互模式的，可以根据非交互模式自行练习。
a) lsiutil -p 1 -a 20,12,0,0 — 查看硬盘计数器
Invalid DWord Count 2,563 — 任何一个值大于0，都需要引起关注
Running Disparity Error Count 2,366
Loss of DWord Synch Count 0
Phy Reset Problem Count 0

b) lsiutil -p 1 -a 21,1,0,0,0 — 查看逻辑卷状态

状态值	对应含义
Volume State: optimal, enabled	逻辑卷健康状况
Volume draws from Hot Spare Pools: 0	是否有热备
Volume Size 139392 MB, 2 Members	由几块硬盘组成
Primary is PhysDisk 1 (Bus 0 Target 9)	物理硬盘1
Secondary is PhysDisk 0 (Bus 0 Target 3)	物理硬盘0

c) lsiutil -p 1 -a 21,2,0,0,0 — 查看物理硬盘状态

状态值	对应含义
PhysDisk 0 is Bus 0 Target 3	编号
PhysDisk State: online	状态
Error Count 13, Last Error: Command = 28h, Key = 3, ASC/ASCQ = 11h/00h	错误计数器，大于0的话，就需要引起关注

3、hpacucli工具
hpacucli工具查看阵列、硬盘、电池信息，其实就只要一条指令：
hpacucli ctrl all show config detail — 查看阵列详细信息、配置

状态值	对应含义
Controller Status: OK	阵列卡状态
Firmware Version: 1.18	firmware版本，太低了建议升级，以提高稳定性及性能
Cache Board Present: True	是否配备了cache模块
Cache Status: OK	cache模块状态
Cache Ratio: 100% Read / 0% Write	cache策略，此处只有读cache，不用于写cache，因为没有bbu电池，见下方结果
Drive Write Cache: Disabled	关闭磁盘cache
Total Cache Size: 256 MB	cache大小
Total Cache Memory Available: 208 MB	实际可用cache大小，和理论cache大小不一样，说明cache模块可能有问题
No-Battery Write Cache: Disabled	关闭FORCEWB策略
Battery/Capacitor Count: 0	阵列卡BBU电池数量为0，也就是没有BBU模块
Battery/Capacitor Status: Failed (Replace Batteries)	阵列卡BBU电池状态，这里显示是错误状态，需要及时更换
Array: A	第一个乌列阵列，编号从A开始，依次是A、B、C
Status: OK	物理阵列状态

Logical Drive: 1	第一个逻辑卷，编号从1开始
Fault Tolerance: RAID 5	第一个逻辑卷的阵列级别
Status: OK	第一个逻辑卷状态
Caching: Enabled	第一个逻辑卷是否启用了cache策略

physicaldrive 1I:1:1	第一块物理硬盘，编号从1开始
Status: OK	第一块物理硬盘状态
Firmware Revision: HPDA	第一块物理硬盘firmware，如果太低，也需要及时升级，HP的硬盘每个批次都有不同的firmware