📌 转载说明：本文首发于微信公众号《闫工的算力工具箱》 原文链接：https://mp.weixin.qq.com/s/ZtKF6rjKzzWZvzGgt0sZnw
【闫工的工具箱 · 第 5 弹】 #
我是闫工，数据中心搬砖的 CCIE。
这是「闫工的工具箱」第 5 篇。前 4 弹分别是：SN 剪贴速记（录 SN 提速）、硬盘擦除工具（下架清数据）、BMC 故障排查（GPU 起不来）、再到上一篇的批量装系统 MAAS 镜像打包（自己造 Rocky 种子）。
上一篇讲了 MAAS 镜像打包，从零造了个 Rocky 的"种子"。这篇回到排障线——硬盘状态标了 UBad（RAID 卡误报的「疑似坏盘」标记，盘往往根本没坏），监控群里喊换盘，但我没换。
— — —
下午 4 点 17 分，群里炸了 #
下午 4 点 17 分，监控告警群里弹出一条告警：「存储节点 /dev/sdb 状态异常，UBad」。
紧接着群里跟了一句：「UBad 了，换盘吧。」
图：硬件监控面板——告警触发时的磁盘状态
换一块企业级硬盘，钱不是大头——业务重建、数据同步、阵列降级期间的服务影响，这些才是。而且机器还在跑业务，动一块盘牵一发而动全身。
我没急着拔。因为我见过太多次 UBad 被当成了"盘坏了"，换下来的盘插到另一台机器上一测，SMART 干干净净，啥事没有。
UBad 这仨字母，第一次见的人容易慌，但干过几年存储的都知道：UBad 不等于物理损坏。
这次我没换盘，先开了个终端。
— — —
UBad 到底是个啥 #
UBad = Unconfigured Bad，直译"未配置的不良盘"。它和 Onln（在线）、UGood（未配置但健康）不是一回事。简单记：
- 盘在线干活 →
Onln - 盘没进阵列但本身没问题 →
UGood - 盘被 RAID 卡判成"状态存疑" →
UBad
图：RAID 卡视角——同一端口两块盘：一块 Unconfigured Bad，一块 Online
为啥会出现 UBad？三种最常见的原因：
- 逻辑 / 元数据对不上：异常断电、误插拔，导致硬盘上的 RAID 配置信息和控制器的记录不匹配——盘没坏，是"账对不上"。最常见。
- 物理介质故障：盘真有坏道、SMART 已经报警了。这种才是真坏。
- 临时通信故障：背板接触不良、线缆松了、供电不稳，盘短暂失联，RAID 卡一慌就给它标了 UBad。
核心原则就一句：UBad ≠ 坏了。先诊断，别急着换盘。
换一块好盘容易，但要是盘根本没坏、只是被误判，你换掉的可是还能再战三年的盘，还白搭一次重建的风险。
— — —
先看全局，别动 #
盘挂着 UBad，第一反应不是 set good、不是拔盘，而是先把真实状态看清楚。RAID 卡记的东西比你看一眼 LED 灯准得多。
登录机器，按这个顺序过五步，盘到底坏没坏、坏在哪，基本就清楚了。
准备工作：确认 StorCLI 已安装
如果系统里还没有 storcli64 命令，需要先安装。安装包到 Broadcom 官网搜索 “StorCLI” 下载，Ubuntu 系统用 .deb 包安装：
sudo dpkg -i storcli_*.deb
sudo ln -s /opt/MegaRAID/storcli/storcli64 /usr/local/sbin/storcli64安装完成后，storcli64（64 位版本）位于 /opt/MegaRAID/storcli/ 目录下。Ubuntu 22.04 是 64 位系统，全文统一使用 storcli64。
图：storcli64 show —— 控制器已识别
第一步：确认控制器认到了
storcli64 show预期看到 Number of Controllers = 1 且列出控制器型号（比如 AVAGO MegaRAID SAS 9460-8i）。这一步先确认工具装对了、卡认到了。
第二步：看每一块盘的真实状态
storcli64 /c0 /eall /sall show
图：storcli64 /c0 /eall /sall show —— 两块盘并列：一块 UBad，一块 Onln
这是最常用的一条。输出里每块盘一行，状态字段含义如下：
| 状态值 | 说明 |
|---|---|
Onln |
Online，硬盘在线且正常工作 |
UGood |
Unconfigured Good，未配置的好盘（可加入阵列） |
UBad |
Unconfigured Bad，未配置的不良盘（需处理） |
Offln |
Offline，硬盘离线 |
Rbld |
Rebuild，正在重建数据 |
F |
Foreign，存在外部配置信息 |
DHS |
Dedicated Hot Spare，专用热备盘 |
GHS |
Global Hotspare，全局热备盘 |
输出里，两块盘并列：一块 UBad，一块 Onln。
第三步：查 SMART，看盘有没有物理损伤
storcli64 /c0 /e252 /s0 show smart/e252 /s0 是"第 252 号 Enclosure 的第 0 号 Slot"，按你实际槽位替换。重分配扇区计数是 0，pending 错误也是 0——物理层面干干净净。SMART 里如果有大量重分配扇区、pending 错误，那大概率是物理坏道；如果 SMART 干干净净，基本可以排除物理故障。
第四步：查 RAID 卡事件日志
先把日志导出到文件再过滤，别直接管道 grep——日志量大的时候容易卡住：
storcli64 /c0 show events > /tmp/raid_events.txt
grep -i "bad\|fail\|error" /tmp/raid_events.txt | tail -30⚠️ 注意：如果日志量很大，直接 show events | grep 可能会卡住。建议先导出到文件再过滤，更稳妥。
日志里有一行：PD 0x1a 状态变更：Onln → UBad，原因：写入超时。写入超时 ≠ 盘坏了。可能是背板信号抖了一下，也可能是那次写入刚好碰到了盘内部的重试。RAID 卡的事件日志会记下盘掉线、通信超时的来龙去脉。是"瞬间失联又回来"，还是"持续报错"，一看便知。
第五步：查有没有外部配置残留
storcli64 /c0 /fall show结果显示有 Foreign 配置。这块盘上残留着之前在别的阵列里的 RAID 元数据，RAID 卡识别到了但不知道怎么处理，索性标了个 UBad。
信息收束：盘没坏，是账对不上了。
场景判断：先定性，再动手 #
| 诊断结果 | 处理方案 |
|---|---|
| 硬盘显示 UBad，但 SMART 正常 | 按逻辑 / 通信问题处理（多半能救回） |
| 硬盘显示 UBad，且 SMART 有严重报错 | 按物理故障处理，直接换盘 |
所有硬盘显示 Onln，VD 状态 Optimal |
无需操作，阵列健康 |
| 阵列已离线或控制器都识别不到 | 立即关机，找专业数据恢复，别自己折腾 |
— — —
两行命令救回来 #
⚠️ 执行前注意：RAID 1 阵列已处于降级状态（只剩单盘在工作），操作前务必确认数据有最近可用的备份，或至少确认另一块盘的健康状态。重建期间不要重启或断电。
方案 A：逻辑 / 通信问题（硬盘本身 OK）—— 大部分情况都是它（如果业务允许也可以重启设备进到服务器BIOS里设置，我这里就不具体讲了，逻辑是一样的。）****
第一步，把盘从 UBad 改回 UGood：
storcli64 /c0 /e252 /s1 set good
图：set good —— 盘状态从 UBad 改回 UGood，“Set Drive Good Succeeded”
第二步，导入外部配置（如果上一步发现有过 Foreign）：
storcli64 /c0 /fall import
图：storcli64 /c0 /fall show —— 发现 Foreign（外部残留）配置
导入成功后，RAID 卡自动触发了重建（状态变成 Rbld）。几十分钟后（SSD 重建本来就快），状态回到 Onln。群里没人再提换盘了。
图：fall import —— 外部配置导入成功，盘状态从 UBad → Rbld（重建中）
图：修复后——监控面板：HDD0 / HDD1 双盘全部正常 ✓
补充：如果 fall show 显示没有 Foreign 配置，说明盘上的 RAID 元数据已被清除，此时无法通过 import 恢复。这种情况可以尝试手动将盘加入磁盘组，或直接按方案 B 用新盘替换。具体操作需根据阵列配置判断，本文不展开。
方案 B：物理故障（真坏道）—— 该换就换
确认故障盘的 EID 和 Slot，服务器开机状态下直接拔出坏盘，插一块容量、规格完全相同的新盘。RAID 卡通常会自动开始重建；要是没自动起，手动推一把：
storcli64 /c0 /e252 /s1 start rebuild— — —
这次踩的几个坑 #
坑一：storcli64: command not found
装完 DEB 包，命令默认在 /opt/MegaRAID/storcli/storcli64，不在 PATH 里。建个软链就哪儿都能用了：
sudo ln -s /opt/MegaRAID/storcli/storcli64 /usr/local/sbin/storcli64坑二：set good 执行失败
如果 set good 直接报错、盘死活不肯回到 UGood，多半是盘真有物理坏道。这时候别硬刚，按方案 B 换盘最稳。
坑三：storcli64 show 看不到控制器
先确认 RAID 卡驱动正常：lspci -vv | grep -i raid，看不到卡就得先排查驱动 / 卡槽，别在工具层面死磕。
坑四：没备份就动手
这条不是命令坑，是心法坑。set good + import 看着无伤大雅，但任何对阵列的写操作都有风险。动手前确认有最近可用的备份——它是你最后一道防线，没有之一。
— — —
结尾 #
那块盘救回来之后，又安安静静跑了很长时间，再没出过问题。
复盘几点：
- UBad ≠ 坏了——它是 RAID 卡的保护机制，先"冻"住等你确认，不是判死刑
- 先诊断后操作——SMART 正常就按逻辑问题处理，SMART 有报错才换盘
- 操作前确认备份——最后一道防线，没有之一
- 定期巡检 SMART 和阵列状态——别等告警响了才看
存储这条线先收在这儿。上上集讲"盘擦干净地走"（回复「擦除」拿工具），上集讲"盘怎么造镜像进 MAAS"，这集讲"盘被误判别误杀"。
下期是个大块头——一台裸金属从 0 到交付，10 个坑我帮你踩完了。关注本号，下期见。