NVMEの状態を確認/修正する方法は?

NVMEの状態を確認/修正する方法は?

私は2つのnvme Raid 1を使ってDebianの安定版を実行しています。
実行中のハードウェア/ホスト。 https://www.hetzner.com/dedicated-rootserver/ex62-nvme?country=us
ほぼ一日で、mdadmモニタリングはエラーイベントを報告し、アレイのパフォーマンスを低下させます。
以下のように、1つのパーティションのみが無効になります。

This is an automatically generated mail message from mdadm
running on xxx

A Fail event had been detected on md device /dev/md/2.

It could be related to component device /dev/nvme1n1p3.

Faithfully yours, etc.

P.S. The /proc/mdstat file currently contains the following:

Personalities : [raid1] [linear] [multipath] [raid0] [raid6] [raid5] [raid4] [raid10] 
md2 : active raid1 nvme1n1p3[1](F) nvme0n1p3[0]
      465895744 blocks super 1.2 [2/1] [U_]
      bitmap: 4/4 pages [16KB], 65536KB chunk

md0 : active (auto-read-only) raid1 nvme1n1p1[1] nvme0n1p1[0]
      33521664 blocks super 1.2 [2/2] [UU]

md1 : active raid1 nvme0n1p2[0] nvme1n1p2[1]
      523712 blocks super 1.2 [2/2] [UU]

unused devices: <none>

これは両方のディスクで発生します。一度はnvme0n1p3で、次回はnvme1n1p3でした。
次に、失敗したパーティションを再追加します。

mdadm --re-add /dev/md2 /dev/nvme0n1p3

または

mdadm --re-add /dev/md2 /dev/nvme1n1p3

再同期した後は、1日か2日間動作します。

dmesgで以下を見つけました。

[94879.144892] nvme nvme1: I/O 311 QID 1 timeout, reset controller
[94879.252851] nvme nvme1: completing aborted command with status: 0007
[94879.252970] blk_update_request: I/O error, dev nvme1n1, sector 452352001
[94879.253091] nvme nvme1: completing aborted command with status: fffffffc
[94879.253223] blk_update_request: I/O error, dev nvme1n1, sector 68159504
[94879.253418] md: super_written gets error=-5

デバイスの状態を確認するためにこのコマンドを試しましたが、「Reallocation_Sector_Ct」や「Reported_Un Correct」などの統計情報を提供していません。

smartctl -x /dev/nvme1

smartctl 6.6 2016-05-31 r4324 [x86_64-linux-4.9.0-8-amd64] (local build)
Copyright (C) 2002-16, Bruce Allen, Christian Franke, www.smartmontools.org

=== START OF INFORMATION SECTION ===
Model Number:                       KXG50ZNV512G TOSHIBA
Serial Number:                      28SS10F6TYST
Firmware Version:                   AAGA4102
PCI Vendor/Subsystem ID:            0x1179
IEEE OUI Identifier:                0x00080d
Total NVM Capacity:                 512,110,190,592 [512 GB]
Unallocated NVM Capacity:           0
Controller ID:                      0
Number of Namespaces:               1
Namespace 1 Size/Capacity:          512,110,190,592 [512 GB]
Namespace 1 Formatted LBA Size:     512
Local Time is:                      Mon May 13 10:34:11 2019 CEST
Firmware Updates (0x14):            2 Slots, no Reset required
Optional Admin Commands (0x0017):   Security Format Frmw_DL *Other*
Optional NVM Commands (0x005f):     Comp Wr_Unc DS_Mngmt Wr_Zero Sav/Sel_Feat *Other*
Maximum Data Transfer Size:         512 Pages
Warning  Comp. Temp. Threshold:     78 Celsius
Critical Comp. Temp. Threshold:     82 Celsius
Namespace 1 Features (0x02):        NA_Fields

Supported Power States
St Op     Max   Active     Idle   RL RT WL WT  Ent_Lat  Ex_Lat
 0 +     6.00W       -        -    0  0  0  0        0       0
 1 +     2.40W       -        -    1  1  1  1        0       0
 2 +     1.90W       -        -    2  2  2  2        0       0
 3 -   0.0500W       -        -    3  3  3  3     1500    1500
 4 -   0.0050W       -        -    4  4  4  4     6000   14000
 5 -   0.0030W       -        -    5  5  5  5    50000   80000

Supported LBA Sizes (NSID 0x1)
Id Fmt  Data  Metadt  Rel_Perf
 0 +     512       0         2
 1 -    4096       0         1

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

SMART/Health Information (NVMe Log 0x02, NSID 0xffffffff)
Critical Warning:                   0x00
Temperature:                        47 Celsius
Available Spare:                    100%
Available Spare Threshold:          10%
Percentage Used:                    57%
Data Units Read:                    31,858,921 [16.3 TB]
Data Units Written:                 293,589,002 [150 TB]
Host Read Commands:                 4,130,502,428
Host Write Commands:                889,121,505
Controller Busy Time:               13,552
Power Cycles:                       7
Power On Hours:                     6,720
Unsafe Shutdowns:                   0
Media and Data Integrity Errors:    0
Error Information Log Entries:      0
Warning  Comp. Temperature Time:    0
Critical Comp. Temperature Time:    0
Temperature Sensor 1:               47 Celsius

Error Information (NVMe Log 0x01, max 128 entries)
No Errors Logged

nvme smart-log /dev/nvme1

Smart Log for NVME device:nvme1 namespace-id:ffffffff
critical_warning                    : 0
temperature                         : 47 C
available_spare                     : 100%
available_spare_threshold           : 10%
percentage_used                     : 57%
data_units_read                     : 31,858,921
data_units_written                  : 293,589,023
host_read_commands                  : 4,130,502,429
host_write_commands                 : 889,122,059
controller_busy_time                : 13,552
power_cycles                        : 7
power_on_hours                      : 6,720
unsafe_shutdowns                    : 0
media_errors                        : 0
num_err_log_entries                 : 0
Warning Temperature Time            : 0
Critical Composite Temperature Time : 0
Temperature Sensor 1                : 47 C
Temperature Sensor 2                : 0 C
Temperature Sensor 3                : 0 C
Temperature Sensor 4                : 0 C
Temperature Sensor 5                : 0 C
Temperature Sensor 6                : 0 C
Temperature Sensor 7                : 0 C
Temperature Sensor 8                : 0 C

nvme smart-log-add /dev/nvme1

NVMe Status:INVALID_LOG_PAGE(4109)

smartctl -A /dev/nvme1

smartctl 6.6 2016-05-31 r4324 [x86_64-linux-4.9.0-8-amd64] (local build)
Copyright (C) 2002-16, Bruce Allen, Christian Franke, www.smartmontools.org

=== START OF SMART DATA SECTION ===
SMART/Health Information (NVMe Log 0x02, NSID 0xffffffff)
Critical Warning:                   0x00
Temperature:                        46 Celsius
Available Spare:                    100%
Available Spare Threshold:          10%
Percentage Used:                    57%
Data Units Read:                    31,858,924 [16.3 TB]
Data Units Written:                 293,591,327 [150 TB]
Host Read Commands:                 4,130,502,490
Host Write Commands:                889,172,096
Controller Busy Time:               13,552
Power Cycles:                       7
Power On Hours:                     6,721
Unsafe Shutdowns:                   0
Media and Data Integrity Errors:    0
Error Information Log Entries:      0
Warning  Comp. Temperature Time:    0
Critical Comp. Temperature Time:    0
Temperature Sensor 1:               46 Celsius

私はapacheがfsck.ext4 -fを使用してファイルシステムを起動して修復するのに失敗した後にのみこの問題を発見しました。以前は、ルートメールを正しく設定していませんでした。

だから私は見るにはハードウェアのバグのように見え、これら2つのnvmeを削除する必要があります。
これらの問題を解決してnvmesを保存できますか?または、少なくとも「Reported_Un Correct」や「Offline_Un Correctable」などのすべてのスマート値を取得してください。

答え1

どうですかsmartctl -A /dev/nvme<xxxx>

ヘルプから:

-A, --attributes Show device SMART vendor-specific Attributes and values

答え2

共有スマートログのメディアとデータの整合性エラーはゼロであるため、修正できないECCまたはCRCの問題はないようです。 PCIeで発生する修正できない問題に関する情報を入手するには、デバイスのPCIe AERをお読みください。

関連情報