Arkistomatskua
Otathan huomioon, että tämä on yli 12 vuotta vanha artikkeli, joten sisältö ei ole välttämättä ihan ajan tasalla. Olin artikkelin kirjoittamishetkellä 25-vuotias.
Olen pitänyt vaatekomerossani palvelinkonetta ”Peikkoa” (Peikon sivut: peikko.us) jostain vuodesta 2008, eli viitisen vuotta. Suurempia ongelmia ei ole ollut, paitsi neljä vuotta sitten kun virtalähde ja pari kiintolevyä sanoivat itsensä irti. Siitäkin selvittiin. Nyt on kyseessä kuitenkin mystisempi ongelma, jota olen koittanut ratkoa koko joululoman. Alan olla neuvoton ja siksi kirjoitankin tästä tänne Rollemaan puolelle, jos osaisit auttaa.
Ensin koneen tämänhetkiset speksit:
- Prosessori: Intel Core 2 Duo E6300 1.86GHz
- Emolevy: Asus P5LD2 SE
- Muistit: 4x Kingston 512MB DDR2-533
- Virtalähde: Nexus NX-3500 (350W)
- Kiintolevyt: SATA-liitännällä 1000 GB Western Digital ja 500 GB Seagate
Ajan tällä hetkellä palvelimessa web-palvelimeen liittyviä juttuja (apache, mysql, postgresql, php, jne), mediaserveriä, musiikkiserveriä, dropboxin ja btsyncin daemoneita, irkkiä ja siihen liittyviä juttuja mm. botteja ja joitakin omia säätöjä. Muuten mennään uusimman openSUSE:n defaulttikernelillä.
Palvelin on alkanut jäätyä viime aikoina satunnaisesti. Ensin se oli kerran kuussa, sitten kerran viikossa, nyt on tihentynyt jo niin tiheäksi että jäätyminen tapahtuu muutaman kerran päivässä. Logiin ei tule mitään muuta kuin loputon rivi ^@^@^@^@^@^@^@^@^@^@^@^@^@^@^@^@^@^@^@^@ -merkkejä loputtomiin sen kohdalle missä jäätyminen on tapahtunut. Heti seuraavana on koneen boottikomennot, jotka ovat tietysti sen tulosta kun olen fyysisesti käynyt painamassa resettiä.
Kun kone kyykkää, ei pääse SSH:lla ja kaikki yhteydet katkeavat. Mediaserveriin ei pääse käsiksi ping timeouttia heittää joka paikassa. Koneen näppäimistö ei reagoi mihinkään. Ainoa mikä auttaa on reset-napin painaminen tai koneen sammuttamisen kautta uudelleen käynnistäminen. Käynnistämisen jälkeen kone käyttäytyy kuin mitään ei olisi tapahtunut. Aiemmin kiintolevyjen ja virtalähteen hajoillessa näkyi sentään virheitä logeissa. Nyt /var/log/messages ei heitä tosiaan mitään tietoa mistään.
Ajattelin ensin, jos virtalähteessä on vikaa, kuten viimeksi, joten vaihdoin ensin Deltaco 350W virtalähteen kaapista löytyneen raadon Nexus NX-3500:een. Tuntuisi olevan laadukkaampi. Löysin kaapista myös KVR533D2N4/1G muistipalikan, jonka liitin kahden KVR533D2N4/512 tilalle. Näiden jälkeen kone oli muutaman tunnin päällä kunnes jäätyi uudelleen.
Sitten tuli mieleen että kone taitaa ylikuumentua kaapissa. Minulla ei ole näyttöä ollut kiinni aikoihin, vaan käytän komentoriviä pelkästään SSH:n yli, joten otin näytönohjaimen irti. Se on muutenkin viallinen, sillä kun siihen kytkee näytön, hädin tuskin näkee tekstiä sen lumisateen läpi. Pahimmassa tapauksessa on joutunut säätämään BIOS-asetuksia lumisateen kanssa.
Otin prosessorin siilin pois ja tsekkasin piitahnat, jotka ovat olleet kuusi vuotta prosessorin päällä. Piitahnaa oli aika vähän ja se oli kuivahtanutta, joten ajattelin että lämpötila on ongelma. Ei tosin ole sensors-komento näyttänyt mitään hälyttävää (max +70.0°C per ydin, onko se paljon vai vähän?). Sensors sanoo että korkea raja on +74.0°C ja kriittinen raja +100°C. Tai ainakaan en ole huomannut että olisi rajat ylittävää lämpöä ollut.
Otin GeForcen pois ja heitin jonkun kaapista löytyneen Asuksen näyttiksen tilalle, joka toimi mainiosti. Lisättyäni uudet piitahnat poistin myös BIOSista kaikki Fan controliin viittaavat ja tuulettimen pyörimisnopeus nousi ~800 RPM:stä 1700-2000 RPM:ään ja ajattelin että nyt lämpö-ongelmista päästiin. Tarkkailin jonkin aikaa taas lämpötiloja ja huomasin että ainakin alussa lämpötilat kohoavat silti sinne 70:een, mutta esimerkiksi nyt sensors-komento näyttää tällaista:
[00:42:24] [47.0°C] rolle ~ $ sensors atk0110-acpi-0 Adapter: ACPI interface Vcore Voltage: +1.21 V (min = +0.85 V, max = +1.60 V) +3.3 Voltage: +3.31 V (min = +2.97 V, max = +3.63 V) +5 Voltage: +5.04 V (min = +4.50 V, max = +5.50 V) +12 Voltage: +12.20 V (min = +10.20 V, max = +13.80 V) CPU FAN Speed: 1973 RPM (min = 600 RPM, max = 7200 RPM) CHASSIS FAN Speed: 0 RPM (min = 800 RPM, max = 7200 RPM) POWER FAN Speed: 0 RPM (min = 800 RPM, max = 7200 RPM) CPU Temperature: +44.0°C (high = +60.0°C, crit = +95.0°C) MB Temperature: +39.0°C (high = +45.0°C, crit = +95.0°C) coretemp-isa-0000 Adapter: ISA adapter Core 0: +49.0°C (high = +74.0°C, crit = +100.0°C) Core 1: +52.0°C (high = +74.0°C, crit = +100.0°C)
Ei taida siis kyse olla lämpötiloista? Jäljelle jäävät jäljellä olevat muistit, kiintolevyt, prosessori ja emolevy. Mitä veikkaisit ja mitä kautta lähteä selvittelemään? vai ostaisiko ihan uudet osat?
Rauno
Minulla on joskus molex-liittimet aiheuttaneet samantapaisia oireita, kun ovat hapettuneet tai muusta syystä kontakti kiintolevypäässä muuttunut epävarmaksi. Mutta sinulla on sata-liittimet. Irrota ja laita takaisin ne kuitenkin muutaman kerran, eihän sitä tiedä.
Jos ei auta ja ylikuumentuminen ja virtalähde on varmasti poisluettu, niin seuraavaksi: onko kiintolevyillä tarpeeksi tilaa? Siitäkin kyllä pitäisi tulla jotain varoitusilmoituksia, jos niitä ei ole kytketty pois jostain syystä. Kiintolevyihin mielestäni viittaa sekin, kone ei pysty enää operoimaan, vaan lätkii siksi noita merkkejä lokiin.
Jos tilaa on, niin kiintolevyn vioittumista veikkaisin ja niistä seagatea. Se lienee vanhempikin levyistä. Onko siinä dataa vai järjestelmä? Kokeile kuitenkin ottaa toinen levy pois ja katsoa mitä seuraa.
Onko biosissa S.M.A.R.T ohjelma päällä? Se monitoroi onko levy kunnossa ja pitäisi ilmoittaa herjoja ainakin käynnistettäessä. Jos niitä ei tule, niin se ei välttämättä sulje pois kiintolevyjä. Nettijuttujen mukaan smart ei toimi satavarmasti luotettavasti.
Levyjä voi myös ajaa sopivilla testiohjelmilla kuten smartmontools. Googlaamalla löytynee lisää levyntestausmenetelmiä.
On emolevyjäkin hajonnut itsestään. Joku konkka kuivahtaa ja se on siinä. Emolevyn (ja kiintolevyjenkin) testaus voi onnistua asentamalla levyt toiseen koneeseesi tilapäisesti. Toisen koneen omat levyt otat tietysti pois siksi aikaa. Jos tilttaa, niin sormi osoittaa kiintolevyjä. Usein kiintolevyjen laitto toiseen levyyn menee heittämällä. Itse teen niin, kun matkustan, kannan vain kiintolevyt ja muistipalikat mukana ja laitan ne toiseen levyyn. Hyvin pyörii. Tosin ovat saman firman levyjä (Asrock ja Asus).
Rolle
1) Irroittelin ja laittelin uudestaan tuossa SATA-liittimiä jo, ei tuntunut olevan vaikutusta
2) Vaihdoin virtalähteen kyllä, mutta tuo toinen on melkein yhtä vanha ja riittääköhän 350W enää varsinkin kun nykyään streamailen musiikkia ja videoita serveriltä suoraan?
3) SMART on päällä. Ajoin
smartctlpikatestit ja näyttäisi PASSED molemmille levyille.Tällä levyllä on järjestelmä:
[14:26:46] peikko rolle # smartctl -a /dev/sda smartctl 6.2 2013-07-26 r3841 [i686-linux-3.11.6-4-default] (SUSE RPM) Copyright (C) 2002-13, Bruce Allen, Christian Franke, www.smartmontools.org === START OF INFORMATION SECTION === Model Family: Seagate Barracuda 7200.12 Device Model: ST3500418AS Serial Number: 9VM2YMDA LU WWN Device Id: 5 000c50 015a6a518 Firmware Version: CC35 User Capacity: 500Â 107Â 862Â 016 bytes [500 GB] Sector Size: 512 bytes logical/physical Rotation Rate: 7200 rpm Device is: In smartctl database [for details use: -P show] ATA Version is: ATA8-ACS T13/1699-D revision 4 SATA Version is: SATA 2.6, 3.0 Gb/s Local Time is: Sun Dec 29 14:26:49 2013 EET ==> WARNING: A firmware update for this drive may be available, see the following Seagate web pages: http://knowledge.seagate.com/articles/en_US/FAQ/207931en http://knowledge.seagate.com/articles/en_US/FAQ/213891en 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: (0x82) Offline data collection activity was completed without error. 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: ( 600) seconds. Offline data collection capabilities: (0x7b) SMART execute Offline immediate. Auto Offline data collection on/off support. Suspend Offline collection upon new command. Offline surface scan supported. Self-test supported. 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: ( 1) minutes. Extended self-test routine recommended polling time: ( 96) minutes. Conveyance self-test routine recommended polling time: ( 2) minutes. SCT capabilities: (0x103f) SCT Status supported. SCT Error Recovery Control supported. SCT Feature Control supported. SCT Data Table supported. SMART Attributes Data Structure revision number: 10 Vendor Specific SMART Attributes with Thresholds: ID# ATTRIBUTE_NAME FLAG VALUE WORST THRESH TYPE UPDATED WHEN_FAILED RAW_VALUE 1 Raw_Read_Error_Rate 0x000f 118 099 006 Pre-fail Always - 180411136 3 Spin_Up_Time 0x0003 097 097 000 Pre-fail Always - 0 4 Start_Stop_Count 0x0032 100 100 020 Old_age Always - 118 5 Reallocated_Sector_Ct 0x0033 100 100 036 Pre-fail Always - 0 7 Seek_Error_Rate 0x000f 087 060 030 Pre-fail Always - 618485709 9 Power_On_Hours 0x0032 058 058 000 Old_age Always - 37539 10 Spin_Retry_Count 0x0013 100 100 097 Pre-fail Always - 0 12 Power_Cycle_Count 0x0032 100 100 020 Old_age Always - 59 183 Runtime_Bad_Block 0x0032 100 100 000 Old_age Always - 0 184 End-to-End_Error 0x0032 100 100 099 Old_age Always - 0 187 Reported_Uncorrect 0x0032 100 100 000 Old_age Always - 0 188 Command_Timeout 0x0032 100 098 000 Old_age Always - 293 189 High_Fly_Writes 0x003a 100 100 000 Old_age Always - 0 190 Airflow_Temperature_Cel 0x0022 062 052 045 Old_age Always - 38 (Min/Max 30/40) 194 Temperature_Celsius 0x0022 038 048 000 Old_age Always - 38 (0 18 0 0 0) 195 Hardware_ECC_Recovered 0x001a 038 022 000 Old_age Always - 180411136 197 Current_Pending_Sector 0x0012 100 100 000 Old_age Always - 0 198 Offline_Uncorrectable 0x0010 100 100 000 Old_age Offline - 0 199 UDMA_CRC_Error_Count 0x003e 200 200 000 Old_age Always - 0 240 Head_Flying_Hours 0x0000 100 253 000 Old_age Offline - 184365766185775 241 Total_LBAs_Written 0x0000 100 253 000 Old_age Offline - 108355513 242 Total_LBAs_Read 0x0000 100 253 000 Old_age Offline - 3382891613 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% 37539 - 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.Tällä levyllä on dataa:
[14:26:49] peikko rolle # smartctl -a /dev/sdb smartctl 6.2 2013-07-26 r3841 [i686-linux-3.11.6-4-default] (SUSE RPM) Copyright (C) 2002-13, Bruce Allen, Christian Franke, www.smartmontools.org === START OF INFORMATION SECTION === Model Family: Western Digital Caviar Green (AF) Device Model: WDC WD10EARS-00Y5B1 Serial Number: WD-WMAV51004314 LU WWN Device Id: 5 0014ee 0573742cd Firmware Version: 80.00A80 User Capacity: 1Â 000Â 204Â 886Â 016 bytes [1,00 TB] Sector Size: 512 bytes logical/physical Device is: In smartctl database [for details use: -P show] ATA Version is: ATA8-ACS (minor revision not indicated) SATA Version is: SATA 2.6, 3.0 Gb/s Local Time is: Sun Dec 29 14:26:52 2013 EET 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: (0x85) Offline data collection activity was aborted 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: (19380) seconds. Offline data collection capabilities: (0x7b) SMART execute Offline immediate. Auto Offline data collection on/off support. Suspend Offline collection upon new command. Offline surface scan supported. Self-test supported. 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: ( 223) minutes. Conveyance self-test routine recommended polling time: ( 5) minutes. SCT capabilities: (0x3031) SCT Status 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 0x002f 200 200 051 Pre-fail Always - 0 3 Spin_Up_Time 0x0027 130 130 021 Pre-fail Always - 6466 4 Start_Stop_Count 0x0032 100 100 000 Old_age Always - 41 5 Reallocated_Sector_Ct 0x0033 200 200 140 Pre-fail Always - 0 7 Seek_Error_Rate 0x002e 200 200 000 Old_age Always - 0 9 Power_On_Hours 0x0032 054 054 000 Old_age Always - 34081 10 Spin_Retry_Count 0x0032 100 253 000 Old_age Always - 0 11 Calibration_Retry_Count 0x0032 100 253 000 Old_age Always - 0 12 Power_Cycle_Count 0x0032 100 100 000 Old_age Always - 40 192 Power-Off_Retract_Count 0x0032 200 200 000 Old_age Always - 27 193 Load_Cycle_Count 0x0032 001 001 000 Old_age Always - 604787 194 Temperature_Celsius 0x0022 106 098 000 Old_age Always - 41 196 Reallocated_Event_Count 0x0032 200 200 000 Old_age Always - 0 197 Current_Pending_Sector 0x0032 200 200 000 Old_age Always - 3 198 Offline_Uncorrectable 0x0030 200 200 000 Old_age Offline - 6 199 UDMA_CRC_Error_Count 0x0032 200 200 000 Old_age Always - 0 200 Multi_Zone_Error_Rate 0x0008 200 200 000 Old_age Offline - 6 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% 34081 - 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.Molemmat ovat testailun tuloksen perusteella ihan kunnossa. Sitä paitsi viimeksi jopa ENNEN kun kovoni hajosivat tuli logiin aika paljon erroria. Ajoin myös seagaten levylle valmistajan oman SeaToolsin eli
st-komennon testit ja meni kyllä läpi heittämällä.Muistit testasin memtesterillä ja siinäkään ei tullut muuta kuin OK:ta.
Prosessoria ei lienee syytä epäillä? Jäljelle jää
– Ylikuumeneminen
– Emolevy
Ja ehkä jotain muuta, mutta kovot ja muistit näyttävät näiden tietojen valossa aika epätodennäköiseltä. Tilaa on ja quota sanoo seuraavaa:
Ja jos tila loppuu, huomaan sen kyllä heti, komentorivi herjaa joka painalluksella, sillä mulla on scriptejä joiden täytyy pystyä kirjoittamaan edes sen alle 1KB dataa.
Pete
Eikö olisi helpointa vain vaihtaa serveri uuteen ja entistä parempaan? Nyt on hyvä syy. ;-)
Rolle
Itse asiassa taisin löytää jo ratkaisun. Päivitin peikon MOTDiin tiedot. Prossun jäähy taitaa olla viallinen. Lämmöt pysyneet nyt hanskassa kun karsin prosessoria kuormittavia prosesseja pois. Kaksi vuorokautta nyt putkeen pystyssä. :)