存储痛点
存储系统以保证数据可靠为首要任务，传统单机存储以极低成本对外提供存储服务，但存在多处单点故障，可用性较低，扩展性差等问题。
随后演化出支持SAS接口双控双活控制器架构，在一定程度上能够避免单点故障，实现升级软硬件时业务不感知，能够保证可用性，但扩展性仍受到很大制约。
另外，以上两种传统存储方案中，均存在重构耗时过长的隐患，以目前单盘最大容量14TB磁盘而言，在不影响业务的前提下，存储单点故障后的重构时间将要以天计算，过大的重构时间窗口，出现高阶故障的概率会增大，数据面临风险也增大。
面对这些问题，为满足扩展性、无单点故障、快速重构的需求，设计者用分布式架构让更多的存储服务器参与到系统中，理论上它确实解决了以上问题，但均面临磁盘系统的软硬件故障，大规模分布式存储系统虽然能够快速处理单点故障，但单个存储系统磁盘规模可到K级别，随着业务的增长和磁盘寿命的衰减，单点故障成为常态，同时发生高阶故障的概率也会逐渐递增，给整个存储系统的稳定性和可靠性带来了挑战。
监控磁盘系统的必要性
分布式存储系统中，每个服务组件都有各自的监控逻辑，但都不涉及到OS层和硬件层面的监控。在业务层监控并处理底层异常，犹如隔靴挠痒，感知异常较滞后，有时在底层异常很长时间后，业务层才感知到，并且业务层预判异常，很容易出现误判。
因此无论在传统存储中，还是在大规模分布式存储中，都需要一套能提前感知和预判磁盘子系统软硬件健康状况的机制。一方面，生产环境的单个存储集群拥有海量磁盘，当业务运行度过磁盘稳定期后，磁盘故障率会变大，同时也面临质保过期的问题。因此能够辨别磁盘故障类别，是可修复的异常，还是直接申请售后更换，都能节约一定成本；另一方面，在配合产品定义的数据冗余特性，保证存储可靠性的前提下，给自动化运维提供可信的数据支持，实现自动化快速处理异常。短期来看，它直接提高存储的可用性和服务质量；长期来看，它让整个存储系统一直处于良好的健康状态，并且减轻运维人员的工作量，以及分析处理异常的复杂度。
故障分类
硬件类
1）磁盘硬件故障：以单盘故障居多，极少会遇到批量磁盘硬件故障，故障影响范围小，前提是软件要及时处理该异常。
2）HBA卡硬件故障：影响整台服务器的IO，故障影响范围大，会触发较多数据迁移。
软件类
1） 磁盘固件bug：有批次问题，统计故障时，在某段时间内，同型号多块磁盘发生故障，重启后又可以正常工作，健康值良好，可和厂家确认是否是磁盘固件有缺陷。
2） 磁盘驱动异常处理逻辑缺失：磁盘驱动若没及时处理异常，慢盘处理机制缺失，单盘异常可能夯死整台服务器，无法重启服务器，很难定位到异常盘，对业务影响大。
3） 低效的scsi中间层错误处理逻辑：该逻辑适合桌面级应用中，不适合企业级存储系统中，单盘异常可能会导致整台服务器IO夯，体验差，对业务影响大。
分析方法
一次异常不能认为该设备故障无法被继续使用（如震动、温度的影响），只有已经明确的故障，才能认为设备不可用，需替换。磁盘的好坏很难界定，所以一般用健康值去衡量磁盘是否可用，一般分良好、警告、错误，而健康值是个多维度给磁盘打分后的综合值。
1. 硬件类异常： HBA的特定寄存器值异常、有硬件复位、PCIE寄存器异常都可以表明该HBA已经异常，磁盘的特定sense key可以表明磁盘是否为坏盘。
2. 软件异常：磁盘iops和吞吐基本为0，利用率达到99%，某些异常sense key，表明磁盘有异常。
3. 常见影响磁盘健康值的因素：G表，重映射扇区数，CRC项，各类sense key，IO超时，最大IO延迟时间等。
处理方法
软件层面优化：磁盘异常处理在磁盘驱动层实现，及时处理IO超时、IO错误、慢盘，完成磁盘异常修复。自己实现单盘异常处理逻辑，将单盘异常处理和系统隔离。
A） IO超时类：如果不是环境震动导致，说明磁盘本身有异常，可通知监控报警。
B） IO错误类：具体错误具体处理，部分错误可被scsi命令修复，而业务不感知。
C） 慢盘类：确认不是驱动bug导致，底层驱动最先感知到，可通知监控报警。
磁盘健康值打分维度：
A） smart信息中关键指标项、特定的sense key都可直接判定为坏盘。
B） smart中特性属性值，IO延迟大和超时，可以设置磁盘警告。
C） 在业务低峰期时的磁盘短检，随机抽样读取数据，若有IO报错，可设置警告
D） 离线时的磁盘长检，可判定磁盘的健康状态。
自动化运维处理
自动化运维目的是减轻运维人员的工作量和工作复杂度，提升集群服务质量和可用性。
通过给磁盘健康值评分后，业务监控层根据自己踢盘策略配置，在满足上层数据冗余条件下，在一定故障域配额下自动化完成集群移除磁盘操作，并主动触发恢复，如果在恢复期间，再次发现异常盘，继续根据踢盘策略决定是否移除磁盘。
当遇到超出配额的高阶故障时，需要人工介入，确认故障类型后再做进一步处理。
总结
故障判定和自动化处理是个逐步完善的过程，需要对底层协议、内核、平台业务相关的有深入的理解。焱融云以保障客户数据为首要任务，在所有产品发布前，均进行大量线下故障模拟演练，并在生产环境中处理故障并得以验证，积累了大量自动化运维经验。以及在产品迭代中，不断优化自动化运维机制，从而提升产品竞争力和客户体验。
发布于 2018-07-10
