Category: 故障复盘

硬盘被阵列标为 Failed 不等于盘坏。掉盘、SMART 假正常、多盘同时报错、盘位标错、背板故障——五类最常见的误判，以及正确的排查顺序。

大容量盘做 RAID 5，重建期间踩中不可恢复读错误（URE）的概率有多高；重建中性能为什么掉一半；控制器更换和双控降级运行的风险与规程。

RAID 卡缓存电池（BBU / 超级电容）失效会让控制器从回写降级为直写，写性能掉一个数量级。学习周期、更换后不开回写、断电时的数据风险，以及过保设备上这类耗材的供应问题。

一条 DIMM 报可纠错错误（CE）会让整个通道降频；插槽填充顺序装错会少认容量；而最难查的是不报错却隔三差五宕机的不可纠错错误（UCE）。从 BMC 日志入手的排查方法。

SSD 掉速的三种原因（SLC 缓存写满、可用空间不足、寿命节流）；用 Percentage Used 和 TBW 判断剩余寿命；同批次上架的固件风险与分批升级。

冗余电源单模块失效是静默的；供电不稳会表现得像硬盘故障；风扇全速运转往往不是风扇的错；一个风扇停转可能让 CPU 长期高温。电源与散热件的排查与更换周期。

光模块厂商编码校验导致端口不亮；万兆口只跑千兆的三种原因；偶发丢包查三天最后是一根线。按 CRC 与误码计数判断物理层问题，以及由便宜到贵的更换顺序。