Blog

硬盘健康监控：smartctl 与预警脚本

May 11, 2026 5 min read
NAS运维硬件

盘不会挑你方便的时候坏。五月把实验室所有数据盘的 SMART 巡检串起来之后，告警终于在灾难前响过一次。这篇不用「属性百科」体例，而用几起真实（和差点真实）的坏盘与误判案例，说明看什么、怎么报、何时下手换盘。读完你应该能给自己的 cron 写出可执行的阈值，而不是再搜一遍参数表。

案例 A：待定扇区从 0 到「不能赌」

一块服役三年的 4TB SATA，某次周检：

sudo smartctl -a /dev/sde | egrep 'Reallocated|Pending|Offline_Uncorrectable|Temperature'

Current_Pending_Sector 从上周的 0 变成 8，Reallocated_Sector_Ct 仍为 0。没有报 I/O error，ZFS 也还没叫。很多人会「再观察观察」——我们没有：当天把该盘所在 mirror 的数据确认冗余健康，采购同容量盘，按池流程替换。换下来后做长测，pending 继续爬。若拖到出现 Offline_Uncorrectable 且另一侧同时咳嗽，故事会难写得多。

教训： pending 持续非零且增长，就是换盘信号，不是装饰性告警。SMART 的价值正在于它能在文件系统惨叫之前给你窗口。

案例 B：温度偶发 vs 重分配趋势

夏季机柜角落一块盘 raw 温度到过 48°C，智能告警推了 Telegram。查负载是白天 scrub 与游戏服存档备份叠在一起。加了简单导风、把 scrub 错开高峰后，稳态回到 38–40°C。此后两周 重分配计数始终为 0。

对比案例 A：温度尖峰往往可逆；重分配与待定的单调上升基本不可逆。告警规则里两者都要报，但响应优先级不同——温度先查风道、机箱布局与任务叠峰；扇区类指标直接进入换盘决策，不要和「再跑一周看看」谈判。

案例 C：USB 盒「看起来很健康」

外接 USB 3 盒里的冷备盘，smartctl -a 有时只给出残缺属性，或通电后才短暂可见。有一次盒子供电不稳，系统只见 I/O error，SMART 读到的却是「旧快照」般的正常值，差点误判为线材问题。关键数据盘改为主板 SATA 或 HBA 直通后，属性与自检日志才可信。

教训： USB 硬盘盒不一定完整传 SMART；关键池不要建在「盒子滤镜」后面。硬件 RAID 卡上的虚拟盘同样常让你看不到成员盘真相——这也是我偏向 HBA 直通加 ZFS 的原因之一。冷备盘若只能 USB，至少接受「SMART 仅供参考」，备份校验用实际恢复，而不是 PASSED 字样。

案例 D：SSD 寿命百分比骗人，也救人

一块 SATA SSD 做系统盘，Percentage Used 一类指标到 85% 时，随机写开始抖，SMART 总体仍显示 PASSED。按容量与写入模型评估后提前换盘，旧盘降级做无关实验。PASSED 只表示「还没到厂商判定失效」，不表示「你还能安心再写一年」。消费级盘的寿命估算常偏乐观，实验室若有大量日志与容器层写入，更要看趋势而不是及格线。

另有一次 NVMe 在某次断电后出现介质错误计数跳变，厂商工具与 smartctl -x 都能看到；没有冗余的系统盘场景下，当天就做了完整镜像再换盘，避免「还能开机所以再等等」。

日常命令与自动化骨架

sudo smartctl -a /dev/sdX
sudo smartctl -t short /dev/sdX
sudo smartctl -l selftest /dev/sdX
# 长测放在维护窗口：sudo smartctl -t long /dev/sdX

关注趋势而非单个 magic number（厂商属性编号不同）：

  • Reallocated_Sector_Ct、Current_Pending_Sector、Offline_Uncorrectable
  • 温度是否长期偏高，而不是单次尖峰
  • SSD 剩余寿命与累计写入量
  • 错误日志与自检是否出现 FAILED

smartd 或 cron 加脚本：异常推 Telegram 或邮件（邮件务必走外部 SMTP，别绑在自家摇摇欲坠的邮件栈上）。ZFS 用户务必并行 scrub——SMART 是盘视角，scrub 是池视角，一个报介质，一个报校验，互补。巡检结果落一份简单历史（哪怕是 csv），否则你看不见「从 0 到 8」这种斜率。

换盘原则（写进备忘录那种）

  1. 待定或重分配持续增长 → 准备换盘，不赌运气
  2. 有冗余：先确认另一侧健康，再按池的 replace 流程操作
  3. 无冗余：先完整备份并校验，再动物理盘
  4. 告警二十四小时内完成「备份确认加采购或上架决策」，禁止无限观察
  5. 换下的盘标注故障现象与日期，勿当正常盘回流到别的机器

无聊的巡检第一次立功之后，你会感激它一直很无聊。健康监控的目标不是制造紧张感，而是让换盘发生在你还有选择的时候。

补一句采购与备件：常用容量的盘尽量同规格备一块冷备，真正换盘时少等快递两天。冷备也要偶尔通电做短测，避免「备件本是坏的」这种黑色幽默。告警通道至少两条（例如即时通讯加邮件），单一通道静音的那晚往往就是盘开始咳嗽的时候。

← Back to Blog