علت ها و علائم خرابی هارد سرور

خرابی زودهنگام هارد سرور، یک اتفاق نیست؛ یک پیامد است. ریشه ۸۰٪ خرابی‌ها در مراکز داده ایران به سه عامل برمیگردد: نوسان شدید دما (عبور از آستانه ۴۵ درجه سانتیگراد)، لرزش‌های مداوم و میکروسکوپی داخل رک (ارتعاشات چرخشی)، و تغذیه الکتریکی کثیف (ریپل و نویز روی خط ۱۲ ولت). اگر این سه عامل را کنترل نکنید، حتی گرانترین هارد اینترپرایز نیز عمر مفید خود را نخواهد دید. راه‌حل قطعی، ترکیب مانیتورینگ پیش‌دستانه با سخت‌افزار استاندارد مرغوب است.

قاتلان خاموش: چرا هارد سرور شما زودتر از موعد مقرر می‌میرد؟

بارها در بازدیدهای فنی از دیتاسنترهای داخل کشور، با پدیده تلخی روبرو شده‌ایم؛ هاردهای سروری که به جای ۵ سال کار مداوم، پس از ۱۸ ماه شروع به نشان دادن بدسکتور می‌کنند یا ناگهان از آرایه RAID خارج می‌شوند. مدیران شبکه معمولاً انگشت اتهام را به سمت برند هارد یا بچ نامرغوب نشانه می‌روند، غافل از اینکه مشکل از انتخاب آنها نیست، از نحوه میزبانی آنهاست.

در بازار ایران که تحریم، تهیه قطعات یدکی را به پروسه‌ای زمانبر و پرهزینه تبدیل کرده، از کار افتادن یک هارد تنها به معنای خرید یک دیسک جدید نیست. این یعنی ریسک از دست رفتن دیتا، فشار روانی ناشی از Down Time و البته تحمیل هزینه‌های سرسام‌آور توقف سرویس. آنچه در ادامه میخوانید، برگرفته از تجربه مستقیم میدانی در کانفیگ و نگهداری سرورهای تحت فشار است، نه صرفاً تئوری‌های بروشورهای تولیدکنندگان.

دما؛ جایی که دیتاسنترها دروغ میگویند

دمای اعلامی توسط سنسورهای جلوی رک یا دمای محیطی سالن، معیار صحیحی برای قضاوت در مورد سلامت هارد نیست. هارد دیسک‌ها، خصوصاً مدل‌های ۱۵۰۰۰ دور در دقیقه، موتورهای قدرتمندی دارند که گرما را در بدنه خود متمرکز می‌کنند. مشکل زمانی شروع می‌شود که فاصله بین هاردها در قفسهکم است و جریان هوای مکشی از مقابل آنها ضعیف عمل می‌کند.

بارها دیده‌ام که فن‌های سرور روی حالت Optimized Cooling یا کم‌مصرف تنظیم شده‌اند تا سروصدای اتاق سرور کمتر شود. این یک اشتباه مرگبار است. وقتی دمای گزارش‌شده توسط سنسور SMART هارد به ۵۰ درجه نزدیک می‌شود، نرخ تبخیر روان‌کننده بلبرینگ اسپیندل موتور به شدت بالا می‌رود. اصطکاک افزایش یافته و به مرور زمان، صدای تق‌تق یا ناله زیر از هارد شنیده می‌شود. این صدا، حکم اعدام هارد را دارد. در این شرایط، چسبیدن دست شما به بدنه داغ هارد هنگام تعویض، نشانه‌ای فیزیکی از بی‌توجهی به امر خنک‌سازی است.

باور غلط رایج: دیفرگمنت کردن هارد سرور

یک دستورالعمل فاجعه‌بار که هنوز در برخی چک‌لیست‌های نگهداری سرورهای قدیمی ایرانی دیده می‌شود، دیفرگمنت کردن دوره‌ای هاردهای HDD است. این کار برای کامپیوترهای شخصی دهه ۹۰ میلادی منطقی بود. اجرای آن روی یک سرور مدرن با آرایه RAID و حجم بالای داده، نه تنها کمکی نمی‌کند، بلکه عمر مفید هارد را به شدت کاهش می‌دهد.

دیفرگمنت، حجم عظیمی از عملیات خواندن و نوشتن تصادفی (Random I/O) را ایجاد می‌کند. این یعنی بازوهای مکانیکی هد، دیوانه‌وار روی پلاترها جابجا می‌شوند. در یک آرایه RAID 5 یا RAID 6، این عملیات، محاسبات Parity را نیز درگیر می‌کند و فشار را چند برابر می‌سازد. نتیجه نهایی، فرسودگی زودهنگام اکتچویتور و افزایش نرخ خطاهای Read/Write است. سیستم‌عامل‌های مدرن سرور، فایل‌سیستم‌های ژورنال‌کننده و بهینه‌سازی‌های داخلی دارند. از سر بیکاری هارد سرور را دیفرگمنت نکنید. این کار مصداق بارز خوب کردن چیزی که خراب نیست و در نهایت خراب کردن آن است.

جدال با ارتعاشات: فن‌ها و همسایگان پرحاشیه در رک

چالش فیزیکی دوم که کمتر کسی به آن توجه می‌کند، لرزش است. تصور کنید چندین هارد در یک Cage کنار هم نصب شده‌اند. هر هارد، لرزش مختصری تولید می‌کند. این ارتعاشات با یکدیگر تشدید می‌شوند و مستقیماً به هدهای حساس خواندن/نوشتن منتقل می‌شوند. وقتی هد می‌خواهد روی تراک‌های بسیار فشرده داده قفل شود، لرزش باعث می‌شود دچار خطای مسیریابی شده و مجبور به تکرار عملیات شود. این یعنی سایش بیشتر پلاتر.

در رک‌هایی که فن‌های پرقدرت سقفی یا کفی به بدنه رک لرزش منتقل می‌کنند، این پدیده بسیار مخرب‌تر است. دیده‌ام که شل شدن یک پیچ کوچک در ریل‌های نصب سرور، چطور به مرور زمان تمام هاردهای آن سرور را درگیر بدسکتور کرده است. صدای زوزه لرزشی رک در فرکانس‌های خاص، همان صدای پول است که هدر می‌رود.

تغذیه الکتریکی ناسالم: سم خاموش برای بک‌پلین

شاید فکر کنید با خرید UPS مشکل برق حل می‌شود. اما مسئله فراتر از نبود برق شهر است. ریپل (Ripple) و نویز روی ولتاژ ۱۲ و ۵ ولت، قاتل حرفه‌ای مدارهای الکترونیکی هارد و بک‌پلین سرور است. خازن‌های روی برد هارد به نوسانات ولتاژ حساسند. وقتی منبع تغذیه سرور (PSU) کیفیت پایینی داشته باشد یا UPS به جای سینوسی خالص، موج شبه‌سینوسی تحویل دهد، استرس الکتریکی مداوم به هارد وارد می‌شود.

رایج‌ترین خرابی میدانی در ایران که مستقیماً به برق مربوط می‌شود، سوختن مدار تقویت‌کننده موتور یا خرابی چیپ بایوس روی برد هارد است. این خرابی اغلب بلافاصله بعد از قطع و وصل‌های پی‌در‌پی برق یا تعویض منبع تغذیه رخ می‌دهد. دیدن هاردی که اصلاً اسپین نمی‌کند (Spin Up نمی‌شود) ولی ضربه فیزیکی نخورده، نشانه بارز شوک الکتریکی است. راه‌حل قطعی، استفاده از UPS‌های آنلاین با خروجی سینوسی کامل و منابع تغذیه اورجینال سرور با رتبه Platinum یا Titanium است. به هیچ وجه از آداپتورهای تبدیل برق متفرقه یا کابل‌های اسپلیت متعدد استفاده نکنید.

چرا باتری کنترلر RAID از کار افتاده و Write Cache را کور کرده است؟

یکی از وحشتناک‌ترین سناریوهایی که یک مهندس شبکه می‌تواند تجربه کند، افت ناگهانی سرعت سرور به یک‌دهم حالت عادی است. لاگ می‌گیرید، همه چیز سبز است، اما IOPS به شدت افت کرده. مقصر در ۷۰٪ موارد، باتری کش (Cache Battery) روی کنترلر RAID است.

وقتی این باتری خراب می‌شود یا دیگر شارژ نگه نمی‌دارد، فریم‌ور کنترلر برای حفاظت از دیتای در حال تراکنش در صورت قطع برق، Write Cache را غیرفعال می‌کند. نتیجه مستقیم این اقدام حفاظتی: عملیات Write از حالت Write-Back (پرسرعت) به حالت Write-Through (کند) تغییر می‌کند. این یعنی هر بایت دیتا مستقیماً روی پلاتر نوشته می‌شود و خبری از کش پرسرعت نیست. فشار وارده بر بازوهای هارد در این حالت جهش می‌یابد و فرسایش شتاب می‌گیرد. عمر هارد در حالت Write-Through با لود بالا، عملاً نصف می‌شود. اگر سرعت سرورتان ناگهان افت کرد و دیسک ۱۰۰٪ مشغول بود، قبل از تعویض هارد، وضعیت باتری کنترلر را با ابزار سازنده (مثل SSA در HPE یا iDRAC در Dell) چک کنید.

وقتی SMART سکوت می‌کند: تفسیر داده‌های حیاتی

تنها اعتماد کردن به Status OK در کنسول مدیریتی، یک خیانت حرفه‌ای به خودتان است. باید خودتان پارامترهای خام را تفسیر کنید. مهمترین شاخصی که باید رصد کنید، Reallocated Sector Count است. اگر این عدد بزرگتر از صفر است، هارد شما دارد از چاله‌های پلاتر نقشه‌برداری می‌کند. افزایش پیوسته Current Pending Sector به معنای وجود نواحی مشکوک است که هارد در خواندن آنها مردد است.

جزئیات روانی اینجا خودش را نشان می‌دهد: دیدن این اعداد در مانیتورینگ، حسی شبیه به شنیدن صدای چکه آب پشت دیوار دارد. می‌دانید مشکلی در حال رشد است اما نمی‌توانید فوراً جلوی آن را بگیرید. بهترین کار، تنظیم هشدارهای تهاجمی است. به محض اینکه Reallocated Sector از صفر به ۱ تغییر کرد، باید بلیط تعویض هارد صادر شود. منتظر نمانید تا به ۱۰۰ برسد. در آن نقطه، احتمالاً دیتا از دست رفته است.

توصیه فنی متااندیش: در پروژه‌های مشاوره‌ای که با واحدهای سازمانی داریم، تاکید اصلی ما بر این است که هزینه خرید یک هارد یدکی و تعویض پیشگیرانه، تنها کسری از هزینه ریکاوری دیتا و توقف سرویس است. تمرکز ما بر کیفیت و جلوگیری از هدررفت بودجه مشتری در دام خرابی‌های آبشاری است. یک هارد معیوب می‌تواند کل آرایه RAID را تحت فشار بازسازی قرار دهد و این همان نقطه شروع ضررهای بزرگ است.

استراتژی قاطع برای RAID: قربانی کردن فضا برای بقا

افسانه دیگری که باید شکسته شود، استفاده از RAID 5 برای دیسک‌های با ظرفیت بالای ۱ ترابایت است. در زمان بازسازی یک هارد ۴ ترابایتی در آرایه RAID 5، فشار خواندن روی تک‌تک سکتورهای هاردهای باقی‌مانده به قدری زیاد است که احتمال بروز خطای خوانش غیرقابل جبران (URE) در هاردهای سالم قدیمی، بسیار بالا می‌رود. این یعنی ممکن است در حین بازسازی، یک بدسکتور مخفی در هارد همسایه رونمایی شود و کل آرایه سقوط کند.

در بازار ایران که تهیه فوری ۳ یا ۴ هارد کاملاً همسان (همان مدل و بچ) گاهی غیرممکن است، قربانی کردن ظرفیت به نفع RAID 6 یا RAID 10 یک ضرورت است، نه یک انتخاب. RAID 6 با تحمل خرابی همزمان دو هارد، آن پنجره وحشت‌ناک بازسازی بدون افزونگی را می‌بندد. اجازه ندهید وسوسه فضای بیشتر شما را به سمت معماری‌های ذخیره‌سازی شکننده بکشاند.

چک‌لیست اجرایی افزایش طول عمر

ایده‌پردازی تئوریک را کنار بگذارید. از همین امروز، این مراحل را روی سرورهای خود پیاده‌سازی کنید:

• پایش دما و لرزش: به محض ورود به اتاق سرور، دستتان را روی بدنه Cage هاردها بگذارید. اگر داغ‌تر از حد تحمل دست بود، گردش هوای رک را بازطراحی کنید. سنسورهای مجازی iLO/iDRAC را چک کنید و هرگز اجازه ندهید دمای هارد از ۴۰ درجه عبور کند.
• بررسی سلامت واقعی: یک اسکریپت ساده برای ارسال هفتگی گزارش SMART تمام هاردها تنظیم کنید. ستون Reallocated Sector را رصد کنید. عدد صفر تنها عدد قابل قبول است.
• چکاپ برق: کابل برق متصل به سرور را چک کنید. اگر داغ شده یا تغییر رنگ داده، تعویضش کنید. از محکم بودن اتصالات در پشت PSU مطمئن شوید و موجودی باتری‌های کش کنترلر RAID را هر ماه مانیتور کنید.
• پارتیشن‌بندی هوشمندانه: پارتیشن سیستم‌عامل و دیتا را جدا کنید. فضای خالی حداقل ۲۰٪ را روی هر Volume رعایت کنید تا از Fragment شدن شدید متادیتا و کاهش کارایی کش جلوگیری شود. هارد پر، هاردی است که دارد خفه می‌شود.
• تعویض پیش‌دستانه: برای هاردهایی که ۴ سال از عمرشان می‌گذرد، حتی اگر SMART سالم است، بودجه تعویض را تصویب کنید. بعد از سال چهارم، منحنی خرابی هارد به شدت صعودی می‌شود. منتظر خراب شدن آنها نباشید.

سوالات متداول قبل از تصمیم‌گیری

آیا خاموش و روشن کردن روزانه سرور عمر هارد را کم می‌کند؟

قطعاً. بالاترین استرس مکانیکی به هارد در لحظه اسپین‌آپ (شروع چرخش) و پارک کردن هدها وارد می‌شود. سرورها برای کار مداوم ۲۴/۷ طراحی شده‌اند. خاموش و روشن کردن بی‌مورد، حکم یک ضربه خفیف روزانه را دارد.

چه فرقی بین هارد دسکتاپ و اینترپرایز در طول عمر وجود دارد؟

هاردهای اینترپرایز دارای تکنولوژی RV (Rotational Vibration) Sensor هستند که لرزشهای همسایگان را جبران می‌کند. همچنین تحمل دمای بالاتر و تایمینگ بازیابی خطای بسیار محدودتریدارند. نصب هارد دسکتاپ در سرور، تضمینی برای افتادن آن از آرایه RAID در کمتر از ۶ ماه است.

اگر هارد صدا بدهد ولی SMART سالم باشد، باید تعویض شود؟

بله، فوراً. صداهایی مانند کلیک ممتد یا زوزه زیر، نشانه نقص مکانیکی در بلبرینگ یا خرابی هد است. سنسورهای SMART همیشه این خرابی را سریع تشخیص نمی‌دهند. به گوش خود بیشتر از لاگ نرم‌افزار اعتماد کنید.

فاصله زمانی امن برای تعویض یک هارد در آرایه RAID چقدر است؟

به محض مشاهده نشانه‌های پوسیدگی، باید تعویض انجام شود. در حالت ایده‌آل، Hot Spare دارید که خودکار جایگزین می‌شود. اگر دستی تعویض می‌کنید، این کار را در زمان کم‌باری I/O انجام دهید تا فشار بازسازی، سرویس‌های در حال اجرا را مختل نکند. هر لحظه تعلل، ریسک از دست رفتن افزونگی و ورود به حالت Degraded را افزایش می‌دهد.

استفاده از SSD بجای HDD در سرور، تمام این مشکلات را حل می‌کند؟

مشکلات مکانیکی و لرزش را حل می‌کند، اما چالش‌های جدیدی مانند Write Endurance و مرگ ناگهانی سلول‌های NAND را به همراه دارد. همچنین ریسک‌های تغذیه الکتریکی و دمای بالا همچنان برای SSD هم کشنده است. نوع حافظه مهم نیست، کیفیت زیرساخت میزبانی تعیین‌کننده نهایی است.