FreeNAS, schijf kwijt uit Pool. Plan van aanpak?

[MisterE]

Kreeg een alert van FreeNAS. Pool degraded.

code:

 pool: tank
state: DEGRADED
status: One or more devices has been removed by the administrator.
    Sufficient replicas exist for the pool to continue functioning in a
    degraded state.
action: Online the device using 'zpool online' or replace the device with
    'zpool replace'.
  scan: scrub repaired 0 in 0 days 13:35:13 with 0 errors on Mon May 18 13:35:15 2020
config:

    NAME                                            STATE     READ WRITE CKSUM
    tank                                            DEGRADED     0     0     0
      raidz2-0                                      DEGRADED     0     0     0
        gptid/8ad6d742-735d-11e9-b886-00074305cc8f  ONLINE       0     0     0
        gptid/8e663a45-735d-11e9-b886-00074305cc8f  ONLINE       0     0     0
        gptid/91df67e8-735d-11e9-b886-00074305cc8f  ONLINE       0     0     0
        gptid/9600e8ca-735d-11e9-b886-00074305cc8f  ONLINE       0     0     0
        gptid/9983ada6-735d-11e9-b886-00074305cc8f  ONLINE       0     0     0
        gptid/9da62577-735d-11e9-b886-00074305cc8f  ONLINE       0     0     0
        gptid/a15101a1-735d-11e9-b886-00074305cc8f  ONLINE       0     0     0
        gptid/a4e57169-735d-11e9-b886-00074305cc8f  ONLINE       0     0     0
        gptid/a9221554-735d-11e9-b886-00074305cc8f  ONLINE       0     0     0
        11480871015459646449                        REMOVED      0     0     0  was /dev/gptid/acd52da1-735d-11e9-b886-00074305cc8f

De message log is het hiermee eens

code:

un 18 05:06:46 nas2 ada9 at ahcich13 bus 0 scbus13 target 0 lun 0
Jun 18 05:06:46 nas2 ada9: <WDC WD100EFAX-68LHPN0 83.H0A83> s/n JEJ15JBN detached
Jun 18 05:06:46 nas2 ZFS: vdev state changed, pool_guid=11356577163475570859 vdev_guid=11480871015459646449
Jun 18 05:06:46 nas2 ZFS: vdev is removed, pool_guid=11356577163475570859 vdev_guid=11480871015459646449
Jun 18 05:06:46 nas2 GEOM_MIRROR: Device swap0: provider ada9p1 disconnected.
Jun 18 05:06:46 nas2 (ada9:ahcich13:0:0:0): Periph destroyed
Jun 18 05:06:48 nas2 ZFS: vdev state changed, pool_guid=11356577163475570859 vdev_guid=11480871015459646449
Jun 18 05:06:52 nas2 GEOM_ELI: Device mirror/swap0.eli destroyed.
Jun 18 05:06:53 nas2 savecore: /dev/ada8p1: Operation not permitted
Jun 18 05:06:53 nas2 GEOM_MIRROR: Device swap0: provider destroyed.
Jun 18 05:06:53 nas2 GEOM_MIRROR: Device swap0 destroyed.
Jun 18 05:07:04 nas2 (aprobe0:ahcich13:0:0:0): ATA_IDENTIFY. ACB: ec 00 00 00 00 40 00 00 00 00 00 00
Jun 18 05:07:04 nas2 (aprobe0:ahcich13:0:0:0): CAM status: ATA Status Error
Jun 18 05:07:04 nas2 (aprobe0:ahcich13:0:0:0): ATA status: 51 (DRDY SERV ERR), error: 04 (ABRT )
Jun 18 05:07:04 nas2 (aprobe0:ahcich13:0:0:0): RES: 51 04 00 00 00 00 00 00 00 00 00
Jun 18 05:07:04 nas2 (aprobe0:ahcich13:0:0:0): Retrying command
Jun 18 05:07:04 nas2 (aprobe0:ahcich13:0:0:0): ATA_IDENTIFY. ACB: ec 00 00 00 00 40 00 00 00 00 00 00
Jun 18 05:07:04 nas2 (aprobe0:ahcich13:0:0:0): CAM status: ATA Status Error
Jun 18 05:07:04 nas2 (aprobe0:ahcich13:0:0:0): ATA status: 51 (DRDY SERV ERR), error: 04 (ABRT )
Jun 18 05:07:04 nas2 (aprobe0:ahcich13:0:0:0): RES: 51 04 00 00 00 00 00 00 00 00 00
Jun 18 05:07:04 nas2 (aprobe0:ahcich13:0:0:0): Error 5, Retries exhausted

Dus ik ben ada9 kwijt met SN JEJ15JBN.
SMART scan lijkt niet te lukken. Hiervoor heb je een schijfnaam nodig en die zie ik niet meer met "geom disk list" or "camcontrol devlist".

Wat zijn de beste stappen?

* uitzetten
* Schijf aan Linux hangen
* SMART scan
* Indien afgekeurd dan garantie
* Systeem pas aanzetten wanneer nieuwe schijf?

Of kan ik de schijf nog scannen nu het systeem nog aanstaat?
Indien de schijf na een reboot weer zichtbaar is. Zou opnieuw toevoegen enigszins veilig zijn?

[Snow_King]

Die disk is kapot, reken daar maar op. Vervangen en FreeNAS rebuild laten doen

[MisterE]

SMART lijkt nog redelijk blij met de schijf? Ik ga er in ieder geval dan van uit dat een winkel hem niet omruilt.
De "long" test is niet gelogen. Die zou tot 20:30 lopen volgens de indicatie. Die breken we maar af.

Dit zijn "red" schijven en die worden expres eerder uit een pool gegooid bij problemen zover ik weet.
Verklaring zou echter wel fijn zijn.

code:

# smartctl -a /dev/sdb
smartctl 7.1 2019-12-30 r5022 [x86_64-linux-5.6.14-1-default] (SUSE RPM)
Copyright (C) 2002-19, Bruce Allen, Christian Franke, www.smartmontools.org

=== START OF INFORMATION SECTION ===
Model Family:     Western Digital Red
Device Model:     WDC WD100EFAX-68LHPN0
Serial Number:    JEJ15JBN
LU WWN Device Id: 5 000cca 267dcb821
Firmware Version: 83.H0A83
User Capacity:    10,000,831,348,736 bytes [10.0 TB]
Sector Sizes:     512 bytes logical, 4096 bytes physical
Rotation Rate:    5400 rpm
Form Factor:      3.5 inches
Device is:        In smartctl database [for details use: -P show]
ATA Version is:   ACS-2, ATA8-ACS T13/1699-D revision 4
SATA Version is:  SATA 3.2, 6.0 Gb/s (current: 6.0 Gb/s)
Local Time is:    Sat Jun 20 00:59:26 2020 CEST
SMART support is: Available - device has SMART capability.
SMART support is: Enabled

=== START OF READ SMART DATA SECTION ===
SMART overall-health self-assessment test result: PASSED

General SMART Values:
Offline data collection status:  (0x84) Offline data collection activity
                    was suspended by an interrupting command from host.
                    Auto Offline Data Collection: Enabled.
Self-test execution status:      (   0) The previous self-test routine completed
                    without error or no self-test has ever 
                    been run.
Total time to complete Offline 
data collection:        (   93) seconds.
Offline data collection
capabilities:            (0x5b) SMART execute Offline immediate.
                    Auto Offline data collection on/off support.
                    Suspend Offline collection upon new
                    command.
                    Offline surface scan supported.
                    Self-test supported.
                    No Conveyance Self-test supported.
                    Selective Self-test supported.
SMART capabilities:            (0x0003) Saves SMART data before entering
                    power-saving mode.
                    Supports SMART auto save timer.
Error logging capability:        (0x01) Error logging supported.
                    General Purpose Logging supported.
Short self-test routine 
recommended polling time:    (   2) minutes.
Extended self-test routine
recommended polling time:    (1158) minutes.
SCT capabilities:          (0x003d) SCT Status supported.
                    SCT Error Recovery Control supported.
                    SCT Feature Control supported.
                    SCT Data Table supported.

SMART Attributes Data Structure revision number: 16
Vendor Specific SMART Attributes with Thresholds:
ID# ATTRIBUTE_NAME          FLAG     VALUE WORST THRESH TYPE      UPDATED  WHEN_FAILED RAW_VALUE
  1 Raw_Read_Error_Rate     0x000b   100   100   016    Pre-fail  Always       -       0
  2 Throughput_Performance  0x0004   130   130   054    Old_age   Offline      -       110
  3 Spin_Up_Time            0x0007   185   185   024    Pre-fail  Always       -       359 (Average 352)
  4 Start_Stop_Count        0x0012   100   100   000    Old_age   Always       -       24
  5 Reallocated_Sector_Ct   0x0033   100   100   005    Pre-fail  Always       -       0
  7 Seek_Error_Rate         0x000a   100   100   067    Old_age   Always       -       0
  8 Seek_Time_Performance   0x0004   128   128   020    Old_age   Offline      -       18
  9 Power_On_Hours          0x0012   099   099   000    Old_age   Always       -       7274
 10 Spin_Retry_Count        0x0012   100   100   060    Old_age   Always       -       0
 12 Power_Cycle_Count       0x0032   100   100   000    Old_age   Always       -       24
 22 Helium_Level            0x0023   100   100   025    Pre-fail  Always       -       100
192 Power-Off_Retract_Count 0x0032   100   100   000    Old_age   Always       -       319
193 Load_Cycle_Count        0x0012   100   100   000    Old_age   Always       -       319
194 Temperature_Celsius     0x0002   203   203   000    Old_age   Always       -       32 (Min/Max 17/44)
196 Reallocated_Event_Count 0x0032   100   100   000    Old_age   Always       -       0
197 Current_Pending_Sector  0x0022   100   100   000    Old_age   Always       -       0
198 Offline_Uncorrectable   0x0008   100   100   000    Old_age   Offline      -       0
199 UDMA_CRC_Error_Count    0x000a   200   200   000    Old_age   Always       -       0

SMART Error Log Version: 1
No Errors Logged

SMART Self-test log structure revision number 1
Num  Test_Description    Status                  Remaining  LifeTime(hours)  LBA_of_first_error
# 1  Short offline       Completed without error       00%      7273         -
# 2  Short offline       Completed without error       00%      7062         -
# 3  Short offline       Completed without error       00%      6894         -
# 4  Short offline       Completed without error       00%      6726         -
# 5  Short offline       Completed without error       00%      6558         -
# 6  Short offline       Completed without error       00%      6390         -
# 7  Short offline       Completed without error       00%      6222         -
# 8  Short offline       Completed without error       00%      6054         -
# 9  Short offline       Completed without error       00%      5886         -
#10  Short offline       Completed without error       00%      5719         -
#11  Short offline       Completed without error       00%      5551         -
#12  Short offline       Completed without error       00%      5383         -
#13  Short offline       Completed without error       00%      5216         -
#14  Short offline       Completed without error       00%      5047         -
#15  Short offline       Completed without error       00%      4879         -
#16  Short offline       Completed without error       00%      4711         -
#17  Short offline       Completed without error       00%      4543         -
#18  Short offline       Completed without error       00%      4375         -
#19  Short offline       Completed without error       00%      4234         -
#20  Short offline       Completed without error       00%      4066         -
#21  Short offline       Completed without error       00%      3926         -

SMART Selective self-test log data structure revision number 1
 SPAN  MIN_LBA  MAX_LBA  CURRENT_TEST_STATUS
    1        0        0  Not_testing
    2        0        0  Not_testing
    3        0        0  Not_testing
    4        0        0  Not_testing
    5        0        0  Not_testing
Selective self-test flags (0x0):
  After scanning selected spans, do NOT read-scan remainder of disk.
If Selective self-test is pending on power-up, resume after 0 minute delay.

[_JGC_]

Ik zie niks aan die schijf. Je logs zijn ook niet zorgelijk, alsof de disk gewoon draaiend uit het systeem is getrokken.

Verder is de 10TB versie geen SMR disk, de horror van de kleinere reds is dus niet van toepassing in jouw geval.

Overigens, hoe zit het met resonantie? Deze disks hebben geen vibratie sensoren, WD specificeert max 8 disks, jij stopt er 10 in een behuizing. Mocht je bad sectors ontwikkelen, weet je waar dat van komt.

[Q]

Terzijde: ik zie die specs over max x disks van de fabrikanten als pure marketing om meer geld uit mensen te slaan. Ik zou er geen waarde aan hechten.

[Guru Evi]

Het probleem met SMART is dat het niet altijd accuraat is. Aan de hand van je logs, blijkt het dat je schijf er inderdaad uitgemikt was, maar niet door het OS.

ATA status: 51 (DRDY SERV ERR), error: 04 (ABRT ) wil wel degelijk zeggen dat er een probleem is. Dat kan een schijf zijn of een kabeltje, om een of andere reden communiceert je controller niet goed met de drive. Communicatieproblemen ga je niet in SMART status vinden.

Test met een (cold) spare in dezelfde positie en als het probleem blijft, is het je controller of kabel, zoniet, dan is het je schijf. Na 9 maanden draaien zou ik eerder denken dat het de schijf is, een slechte kabel of controller geeft meestal sneller problemen.

In ieder geval zou ik de schijf inruilen, meestal is het de schijf waar het een of ander verkeerd mee is. Kijk ook eens of er geen nieuwe firmware is.

[ Voor 3% gewijzigd door Guru Evi op 21-06-2020 00:12 ]

[_JGC_]

Q schreef op zaterdag 20 juni 2020 @ 11:27:
Terzijde: ik zie die specs over max x disks van de fabrikanten als pure marketing om meer geld uit mensen te slaan. Ik zou er geen waarde aan hechten.

Ik had Deskstars in servers, zelfs de hotspares maakten bad sectors tijdens de periodieke SMART checks. De Deskstar NAS schijven in dezelfde servers hadden nergens last van. Enige verschil was de vibratiesensor in de NAS versie.

WD specificeert 8 drives in 1 chassis voor de Red. De Red heeft geen vibratie sensoren, de Red Pro wel. Of meer disks geen probleem geeft is afhankelijk van in hoeverre het chassis vibraties doorgeeft. Vandaar dat ik het noem.

[Q]

_JGC_ schreef op zondag 21 juni 2020 @ 00:21:
[...]

Ik had Deskstars in servers, zelfs de hotspares maakten bad sectors tijdens de periodieke SMART checks. De Deskstar NAS schijven in dezelfde servers hadden nergens last van. Enige verschil was de vibratiesensor in de NAS versie.

Maar dat kan ook een andere oorzaak hebben gehad, dat bewijst niet zoveel helaas.

[MisterE]

Even de conclusie. Ik heb de schijf gehangen aan Linux. Een long smart test afgetrapt.Deze heeft bijna een dag gelopen maar bleef maar hangen volgens smartctl op 90%. Ik zag verder niets geks in messages.
(internet staat hier ook vol mee)


Nou roept mijn NAS ook iets over hittemeldingen (coretemp). Als ik het goed heb kunnen die meldingen van alles zijn (bijv mijn 10gb mellanox) kaart.
Zag ook iets van unexpected reboot.

Met al deze factoren toch maar besloten de schijf weer terug te zetten. Na het starten startte automatisch de resilver.
Ik zie nu wel dit. Is dit gewoon "oude" info? Want dit is compleet onduidelijk. Er hoeft geen schijf mee te vervangen worden? Deze melding kwam pas NA de resilver.

code:

  pool: tank
 state: ONLINE
status: One or more devices has experienced an unrecoverable error.  An
        attempt was made to correct the error.  Applications are unaffected.
action: Determine if the device needs to be replaced, and clear the errors
        using 'zpool clear' or replace the device with 'zpool replace'.
   see: http://illumos.org/msg/ZFS-8000-9P
  scan: resilvered 35.8G in 0 days 00:23:30 with 0 errors on Sun Jun 21 12:49:54 2020
config: