物理服务器RAID阵列配置实战：MegaCLI管理与故障硬盘热替换操作

RAID阵列基础：级别选择与适用场景

物理服务器存储架构的核心是RAID（冗余磁盘阵列）配置。在企业级服务器中，RAID控制器（如Broadcom MegaRAID系列）通过硬件卡管理磁盘阵列，提供数据冗余和性能加速。常见RAID级别的工程选型依据是IOPS需求、容量利用率和容错能力三者的权衡。

RAID 5采用条带化+分布式校验，允许1块盘故障，空间利用率（N-1）/N，适合读密集型场景。RAID 6双校验允许2块盘故障，利用率（N-2）/N，适用于大容量SATA盘阵列。RAID 10是条带化镜像，利用率50%，随机写性能最优，是数据库服务器的标配。RAID 50/60适合超大规模阵列，在条带组内做校验，减少单组重建时间。

MegaCLI/StorCLI命令行工具：阵列创建与管理

Broadcom RAID卡的管理工具从MegaCLI演进到StorCLI，命令语法有差异。当前服务器环境优先使用StorCLI64。查看控制器和物理盘状态的常用命令：

# 查看所有控制器信息
storcli64 /c0 show all

# 查看所有物理磁盘
storcli64 /c0 /eall /sall show

# 查看所有虚拟磁盘（VD）
storcli64 /c0 /vall show

# 查看控制器告警日志
storcli64 /c0 show alarms

# 查看电池/超级电容状态（缓存写回依赖）
storcli64 /c0 /cv show all

创建RAID 10阵列的完整操作流程。假设控制器0、enclosure 252上有4块新插入的SSD（slot 0-3）：

# 1. 确认磁盘状态为UGood（Unconfigured Good）
storcli64 /c0 /e252 /s0,1,2,3 show

# 2. 创建RAID 10虚拟磁盘，名称DB_VOL01，条带大小256KB
storcli64 /c0 add vd r10 drives=252:0-3 name=DB_VOL01 \
  stripsize=256 pdperarray=2 ra=Default wt \
  cachedwb rdcache=RA ra_wb

# 参数说明：
# stripsize: 条带大小，数据库场景建议256KB
# wt: Write Through直写（高一致性） / wb: Write Back回写（高性能）
# cachedwb: 启用磁盘写缓存
# rdcache: RA=Read Ahead预读

# 3. 验证VD创建结果
storcli64 /c0 /v0 show

# 4. 初始化VD（快速初始化，仅清零首尾扇区）
storcli64 /c0 /v0 start init

# 完整初始化（全盘清零，耗时较长）
storcli64 /c0 /v0 start init full

条带大小（stripsize）的选择直接影响性能。OLTP数据库以小随机IO为主，建议64KB~128KB；数据仓库/分析型负载以大顺序IO为主，建议256KB~512KB；虚拟化平台VDI建议128KB。

故障硬盘检测与热替换操作

RAID阵列中硬盘故障是最常见的硬件事件。当控制器检测到物理盘异常时，PDR（Physical Drive Removal）状态会变为Failed或Pdctv（Predictive Failure）。完整的故障盘替换流程：

# 1. 确认故障盘位置和状态
storcli64 /c0 /e252 /s2 show detail | grep -E "Drive|Firmware|Media"

# 关键字段：
# Drive has flagged a S.M.A.R.T alert : Yes → 预警
# Drive Position : D HS → 热备盘
# FDE type : None → 非加密盘

# 2. 将故障盘设为Offline并移除（如果尚未自动Failed）
storcli64 /c0 /e252 /s2 set offline
storcli64 /c0 /e252 /s2 mark missing

# 3. 确认热备盘是否已自动接管重建
storcli64 /c0 /e252 /sall show | grep -E "Onln|SpU|Rbld"
# SpU = Spare in Use（热备盘正在重建）
# Rbld = Rebuilding（重建中）

# 4. 查看重建进度
storcli64 /c0 /e252 /s1 show rebuild

# 5. 重建完成后，新盘插入空槽位，设为全局热备
storcli64 /c0 /e252 /s2 add hotsparedrive dhs=1
# dhs=1 表示Dedicated Hot Spare，关联到特定DG
# 不指定dhs则为全局热备（Global Hot Spare）

重建过程是高风险窗口。RAID 5/6在重建期间再次发生盘故障会导致数据丢失。大容量SATA盘重建可能耗时48小时以上。建议重建期间降低阵列负载，并密切监控SMART指标。

BBU/超级电容状态检查与缓存策略切换

RAID控制器写缓存依赖BBU（Battery Backup Unit）或超级电容（CV）保护。当BBU故障或电量不足时，控制器会自动将Write Back降级为Write Through，导致写性能断崖式下降。定期检查BBU状态是运维必做项：

# 查看BBU/CV详细信息
storcli64 /c0 /cv show all | grep -E "Status|Charge|Temperature|Mode"

# 关键状态判断：
# Battery State : Optimal → 正常
# Battery State : Degraded → 需要关注
# Battery State : Failed → 必须更换

# CV学习周期（自动充放电测试，约需6小时）
storcli64 /c0 /cv start learn

# 查看学习周期历史
storcli64 /c0 /cv show learnhistory

当BBU处于学习周期时，缓存策略会临时降级。生产环境应安排在低峰期执行learn操作。如果BBU老化严重、频繁降级，可以临时强制开启Write Back（牺牲断电保护）：

# 临时强制Write Back（仅在紧急情况下使用）
storcli64 /c0 /v0 set wrcache=wb force

# BBU更换后恢复正常策略
storcli64 /c0 /v0 set wrcache=wt

巡检脚本：SMART指标与阵列健康自动化监控

生产环境需要自动化巡检脚本定期采集RAID状态。以下脚本整合关键检查项，可加入crontab定时执行：

#!/bin/bash
# raid_health_check.sh - RAID健康巡检脚本
STORCLI=/opt/MegaRAID/storcli/storcli64
WARN_EMAIL="ops@company.com"
REPORT=/var/log/raid_health.log

echo "=== RAID Health Report $(date) ===" > $REPORT

# 1. 检查控制器总体状态
CTRL_STATUS=$($STORCLI /c0 show | grep "Controller Status" | awk '{print $3}')
if [ "$CTRL_STATUS" != "Optimal" ]; then
    echo "ALERT: Controller status is $CTRL_STATUS" >> $REPORT
fi

# 2. 检查所有物理盘状态
$STORCLI /c0 /eall /sall show | grep -v "Firmware\|Drive" | while read line; do
    PD_STATUS=$(echo "$line" | awk '{print $4}')
    if [ "$PD_STATUS" != "Onln" ] && [ "$PD_STATUS" != "UGood" ] && \
       [ "$PD_STATUS" != "GHS" ] && [ "$PD_STATUS" != "DHS" ]; then
        echo "ALERT: Physical drive abnormal: $line" >> $REPORT
    fi
done

# 3. 检查重建进度
REBUILD=$($STORCLI /c0 /eall /sall show | grep -i "Rbld")
if [ -n "$REBUILD" ]; then
    echo "NOTICE: Rebuild in progress: $REBUILD" >> $REPORT
fi

# 4. 检查BBU/CV状态
CV_STATE=$($STORCLI /c0 /cv show all 2>/dev/null | grep "Battery State" | awk '{print $4}')
if [ "$CV_STATE" != "Optimal" ] && [ -n "$CV_STATE" ]; then
    echo "ALERT: Cachevault state is $CV_STATE" >> $REPORT
fi

# 5. 发送告警
if grep -q "ALERT" $REPORT; then
    mail -s "RAID Health Alert" $WARN_EMAIL < $REPORT
fi

echo "Check complete." >> $REPORT

建议巡检频率为每4小时一次。对于即将达到EOL（End of Life）的磁盘，应提前替换而非等待故障触发。通过storcli定期导出SMART数据（storcli64 /c0 /e252 /s0 show smart）对比介质错误计数增长趋势，可在故障发生前2~4周预判硬盘健康度下降。