悲催的存儲工程師 SAN故障經(jīng)驗(yàn)的分享
IT168
黃永兵 譯
摘要： 一般來說，企業(yè)級主存儲是相當(dāng)穩(wěn)定的，如果沒有強(qiáng)壯的存儲設(shè)備，就不能奢望應(yīng)用程序可靠，它們本身就有一大堆問題，如果存儲也鬧別扭，事情只會變得更糟，這就是為什么企業(yè)愿意把大部分IT預(yù)算用于購買最好，最可靠的存儲基礎(chǔ)設(shè)施的原因。
Abstract：
Key words :
一般來說，企業(yè)級主存儲是相當(dāng)穩(wěn)定的，如果沒有強(qiáng)壯的存儲設(shè)備，就不能奢望應(yīng)用程序可靠，它們本身就有一大堆問題，如果存儲也鬧別扭，事情只會變得更糟，這就是為什么企業(yè)愿意把大部分IT預(yù)算用于購買最好，最可靠的存儲基礎(chǔ)設(shè)施的原因。
冗余磁盤，冗余控制器，鏡像緩存，以及冗余存儲網(wǎng)絡(luò)都旨在提供具備容錯能力的存儲基礎(chǔ)設(shè)施，在關(guān)鍵任務(wù)環(huán)境中，這些都是必需的，但即使是最高強(qiáng)度的冗余存儲架構(gòu)在人面前也是毫無保障的。
在我接觸過的企業(yè)存儲設(shè)備中，只有一個沒有因硬件故障導(dǎo)致災(zāi)難性后果，相反，我已經(jīng)記不清有多少因文檔糟糕、技術(shù)支持胡亂建議、培訓(xùn)不充分，以及軟件或固件等原因?qū)е麓鎯?zāi)難性故障，我想說的是，大部分都是人的原因造成的。
就在上個月，我就親眼目睹了兩起主存儲崩潰事件。
在企業(yè)存儲基礎(chǔ)設(shè)施中，用戶由兩個獨(dú)立的但同樣重要的小組支持：設(shè)備小組和管理小組，故事就發(fā)生了他們中間。
固件版本不匹配
在第一起案例中，在現(xiàn)有存儲環(huán)境中引入了新的存儲設(shè)備，按照設(shè)想，新舊存儲設(shè)備可以實(shí)現(xiàn)無縫整合，最終實(shí)現(xiàn)用新設(shè)備替換掉舊設(shè)備的目的。
由于新系統(tǒng)采用了最新的硬件，需要的固件版本比當(dāng)前的舊系統(tǒng)要高，按正常情況，升級現(xiàn)有系統(tǒng)的固件版本，和新系統(tǒng)匹配是沒有問題的，但它需要一個維護(hù)窗口。
根據(jù)相關(guān)文檔的解釋，這里使用的兩個固件版本似乎可以共存，數(shù)據(jù)遷移可以平滑地從舊系統(tǒng)轉(zhuǎn)移到新系統(tǒng)，因此數(shù)據(jù)轉(zhuǎn)移工作就在兩個固件版本不同的存儲設(shè)備之間開始了。
起初，事情進(jìn)展順利，測試數(shù)據(jù)成功轉(zhuǎn)移到了新設(shè)備，性能測試結(jié)果超出預(yù)期，沒有發(fā)現(xiàn)任何問題，接下來，一些非關(guān)鍵的數(shù)據(jù)卷也成功遷移了，于是決定遷移所有的生產(chǎn)數(shù)據(jù)，由于數(shù)據(jù)量巨大，遷移過程花了幾天時間才完成。
就在遷移完成大家終于松了一口氣的時候（不到30分鐘），新存儲設(shè)備（現(xiàn)在存儲了組織的所有生產(chǎn)數(shù)據(jù)）從存儲網(wǎng)絡(luò)掉線了，變得完全不可訪問，幸運(yùn)的是，這事兒發(fā)生在周六早上，很少有用戶注意到，但最終導(dǎo)致整個虛擬服務(wù)器基礎(chǔ)設(shè)施無法使用。
重新給新設(shè)備加電后，它又返回到存儲網(wǎng)絡(luò)了，大家齊心協(xié)力花了幾個小時將所有系統(tǒng)全部上線，最后還算幸運(yùn)，數(shù)據(jù)未丟失，也未遭到破壞。
接下來的任務(wù)是找出究竟發(fā)生了什么，是新設(shè)備不可靠？難道有硬件或?qū)嵤﹩栴}在測試期間未被發(fā)現(xiàn)？兩周后，在廠家技術(shù)支持人員的幫助下，確定這起故障是兩個設(shè)備因固件不匹配引起的，最后，廠家也修改了相關(guān)文檔，建議任何時候應(yīng)盡量將所有設(shè)備的固件版本升級為一致。
當(dāng)然，在廠商提供的那些文檔中，我們還是看到許多用詞不明確的地方，給讀者留下了許多想象的空間，從這個案例中我們總結(jié)出一個經(jīng)驗(yàn)：文檔不一定可靠，千萬不要自以為是！
倒霉的現(xiàn)場技術(shù)人員
在第二個案例中，生產(chǎn)存儲陣列開始出現(xiàn)一些瞬時錯誤，這些錯誤似乎表明后端光纖通道循環(huán)出了問題，由于所有系統(tǒng)在控制器和磁盤之間的連接使用了多個冗余循環(huán)，不能立即確定究竟是哪里出了問題，但對進(jìn)一步調(diào)查和修復(fù)行動提供了保證。
這個陣列簽訂了高級支持合同，因此廠商很快就派遣了一位技術(shù)人員抵達(dá)現(xiàn)場，確定問題的根源，這位技術(shù)人員到了現(xiàn)場就立即投入到工作中，首先閱讀了系統(tǒng)日志，并對硬件做了簡單檢查，看了看各種線纜和收發(fā)器是否連接正確。
但他什么問題也沒有發(fā)現(xiàn)，于是，他插上一根串口線，接到設(shè)備的維護(hù)端口，在管理軟件中發(fā)出特定的命令，直接從控制器導(dǎo)出了原始性能數(shù)據(jù)，其目的是讓控制器吐出詳細(xì)的錯誤信息，以便更高級的工程師解碼分析。
串口和控制器的軟件內(nèi)核是直接相通的，輸錯一個字符就可能引起嚴(yán)重的后果，在這種情況下，如果你在終端模擬器按下Ctrl-Z，會導(dǎo)致兩個冗余控制器同時重啟，所有入站存儲連接會被突然重置，會發(fā)生什么只有求佛主保佑。
仔細(xì)看看你的鍵盤，你會發(fā)現(xiàn)Ctrl和Z鍵隔得并不遠(yuǎn)，如果事先不知道同時按下它們后果有多嚴(yán)重，或一不小心誤按，我想你會一輩子記得這事的。
和第一起案例一樣，幸虧中斷時間不長，也沒有導(dǎo)致數(shù)據(jù)丟失或破壞，但還是花了幾個小時才將各種應(yīng)用程序重新上線。
教訓(xùn)
事后看來，不管文檔上有沒有明確說明，在固件不匹配的情況下做任何事情都是自找麻煩，此外，在處理大量數(shù)據(jù)遷移時不能掉以輕心，想一邊喝咖啡一邊操作還得悠著點(diǎn)。
也許你從來沒有想過一個完全冗余的企業(yè)級存儲網(wǎng)絡(luò)還會全部宕掉，是的，這種事情雖然很少見，但的確發(fā)生過。在眾多存儲事故中，我發(fā)現(xiàn)大部分都是人為因素造成的，有可能就是你，或你的同事，也可能是新進(jìn)入的廠商。
各路存儲廠商都在努力讓自己的管理系統(tǒng)變得更具吸引力，更友好的管理界面，但他們忽略了天天擺弄這些軟件和硬件的IT人員，軟硬件環(huán)境越來越復(fù)雜，誰也不能保證不會出現(xiàn)誤操作。
除了廠商要做好嚴(yán)格的保護(hù)設(shè)計(jì)，文檔實(shí)時更新外，作為用戶一方，也要加強(qiáng)自身維護(hù)隊(duì)伍的建設(shè)，在不確定會引起什么后果之前，最好不要急著動手。
此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。