S.M.A.R.T.

Když disk něco bolí

Na pevné disky není spolehnutí. Tento fakt alespoň jednou pocítil snad každý uživatel osobního počítače. Sám mám na disky takovou smůlu, že za posledních asi deset let žádný nepřežil zcela bez problémů déle než jeden rok. Můj případ není neobvyklý. Hodně jsem se zajímal o to, co stojí za všemi těmi poruchami. A tak vzniknul tento článek

Jak pracuje pevný disk, to asi všichni víme. Na otáčejícím se kotouči (plotně) se nachází magnetizovatelná látka, nad plotnou v mikroskopické výšce 'poletuje' čtecí / zapisovací hlava a pomocí elektromagnetu mění 'nastavení' látky na hodnoty 0 a 1. Čím novější disk, tím více jedniček a nul je umístěno na stejné ploše - roste hustota záznamu.

Seagate Barracuda 7200.8 se 133 GB na plotnu

Běžný dnešní pevný disk do stolního počítače má hustotu záznamu 80 GB na plotnu, tj. 40 GB z jedné strany (na plotnu se zapisuje z obou stran pomocí dvou hlav). Jsou ale již i disky se 100 GB či 133 GB na plotnu. Samotná plotna je z důvodu ochrany obvykle potažena ochranným 'nátěrem', který však někdy může činit problémy - to byl známý případ katastrofální úmrtnosti disků IBM Deskstar 75GXP a 60GXP, kdy při delší nečinnosti hlava nabourala do ochranného gelu a následoval kolaps.

Budeme-li se bavit o spolehlivosti, je jasné, že čím vyšší hustota záznamu, tím hůř. Jednoduše proto, že nový disk používá k záznamu jednoho bitu méně atomů než disk starší. Vyžaduje se tak lepší kvalita plotny (magnetizovatelné látky), přesnější navigace čtecí / zapisovací hlavy, přesnější teplotní rekalibrace no prostě od nového disku nelze čekat stabilitu disků poloviny devadesátých let, ke kdysi běžné spolehlivosti je mu nutné trochu pomoct.

Proč disky odchází? - typy poškození

Jednoduše proto, že jsou to příliš citlivá zařízení. Mechanika je velmi precizní, v důsledku tedy i zranitelná. Čtecí / zapisovací hlava se pohybuje ve velmi malé vzdálenosti nad plotnou, jakékoliv smítko prachu dokáže hlavu zničit či poškodit (disk se vyrábí, podobně jako mikroprocesory, v extrémně čistém prostředí). Plotna se otáčí vcelku vysokou rychlostí, což také na spolehlivosti nepřidává. A disk takto pracuje několik hodin denně, někdy i nepřetržitě.

Přesto však, disk je na takovou zátěž konstruován (snad s výjimkou nepřetržitého provozu, na který jsou připraveny pouze některé série disků). Co jsou tedy skutečné příčiny smrti pevných disků a proč často umírají? Příčin může být několik:

Poškození při převozu - Většina disků je převážena pouze v antistatickém sáčku, tj. bez mechanické ochrany. A přestože disk má ve vypnutém stavu vydržet přetížení 300 až 350G, nemusí to vždy stačit. Jednak tato hodnota je mezní a pak také nemusí platit pro všechny směry vibrací a zcela jistě neplatí pro všechny typy vibrací. Výrobci často garantují pouze omezený čas, po který mohou vibrace působit. Tak například IBM Deskstar 180GXP vydrží půlsinovou vlnu o síle 350G a délce 2ms. Ale náhodné vibrace snese už pouze o síle 1.04G. To vše ve vypnutém stavu, za chodu je odolnost mnohem nižší. Pokud je disk nešetrně převážen, může být vystaven nepříznivějším podmínkám než jsou tyto. Je tak poškozen ještě před vlastním použitím.

Typický důsledek: kompletní selhání disku
Projev selhání: ihned po koupi či během několika prvních dní provozu

Elektřina - Stabilita napájení je velmi důležitý faktor. Pevné disky se většinou drží specifikace ATX12V, místy mají dokonce tvrdší požadavky, především pak na +12V napětí. Dodržení specifikací a stabilita napětí jsou klíčové faktory. Pevný disk je poháněn napětím +12V (motory), +5V (napěťový regulátor pro elektroniku) a u Serial ATA disků v budoucnu také +3.3V (přímé napájení elektroniky - dnes není využito, protože jen málo zdrojů má SATA napájecí konektor).

Maximální možné zvlnění dle specifikace ATX12V v2.01

Zdroj by měl splnit požadavky na zvlnění dané specifikací. S tím však může mít dost problémy, především při rušení v síti. Toto rušení je běžně způsobováno silnějšími motory jako jsou ty ve vrtačkách, vysavačích či mixérech - jistě se každý z nás setkal se situací, kdy se po zapnutí vysavače objevovaly na obrazovce televize ruchy.

Někteří lidé tvrdí, že tyto rušení v síti jsou přenášena do celého počítače, a narušují tak stabilitu počítače jakožto celku. Je například známé, že chyby v testu Prime95 (testuje stabilitu procesoru) nastávající po delších časových úsecích (např. několika hodinách) jsou způsobovány nestabilitou napájení - v elektrické síti dojde k rušení, to způsobí téměř nepostřehnutelný pokles napětí a procesor špatně vypočte úlohu. Již mnoho lidí nezávisle na sobě potvrdilo, že připojením počítače přes online záložní zdroj napájení (UPSku, která generuje proud pro zdroj z baterií, což je 'krásný' proud bez rušení) bylo možné snížit při stejné frekvenci napětí procesoru a dosáhnout tak lepšího přetaktování.

Co se týče pevných disků, je téměř faktem, že některým lidem odchází pevné disky jak na běžícím pásu, zatímco jiným drží dobře. Důvod? Patrně elektřina. Plotna pevného disku je již z továrny naformátována značkami, které slouží k navigaci čtecí / zapisovací hlavy (tzv. low level formát). Tyto značky se v průběhu používání nemění, slouží jen elektronice disku k zjišťování pozice hlavy. Někteří zastávají názor, že zvýšené rušení v síti způsobuje poškození těchto značek náhodným aktivováním hlavy (náhodným zápisem na nesprávná místa). V dlouhodobém horizontu to vede k nečitelnosti některých sektorů na disku, protože hlavička není schopná nalézt značku, a tedy i přečíst data.

Typický důsledek: vznik chybných sektorů
Projev selhání: dlouhodobý v řádu měsíců

Audio: 'Click of Death' z disku IBM Deskstar 60GXP (přezdívaný Deathstar) zaznamenaný kýmsi z Internetu

Náraz hlavičky do plotny - Čtecí / zapisovací hlava na mnoha discích po vypnutí dosedá na povrch plotny (tzv. parkuje). To nevadí, protože na povrch dosedá v okamžiku, kdy se plotna netočí, takže nehrozí zničení hlavy. Avšak může se stát, že z nějakého důvodu při opětovném nastartování se začne plotna točit dříve, než se hlavička vznese (než se odlepí od plotny), či že se hlava vlivem selhání mechaniky / elektroniky dotkne plotny za provozu. V takovém případě dochází k poškození plotny a často i samotné hlavy.

Typický důsledek: vznik chybných sektorů s rychlým přibýváním dalších chybných sektorů, popř. kompletní selhání disku
Projev selhání: nepředvídatelné

Výkyvy počasí - Jedná se o poměrně atypický problém v běžných podmínkách. V podstatě jde o to, že různá vlhkost, tlak a teplota vzduchu mohou negativně působit na magnetizovatelnou látku plotny (či na plotnu samotnou), což při častém střídání prostředí (např. klimatizovaná kancelář vs. horko v autě v létě) může vést k degradaci stability magnetizovatelné látky a poruše disku. Protože stolní pevné disky běžně takto nepřenášíme, týká se to především disků pro notebooky.

Typický důsledek: problémy se čtením / zápisem dat
Projev selhání: nepředvídatelné

Selhání elektroniky - Elektronika disku ovládá veškerou činnost mechaniky. Poškození elektroniky tak vede k nefunkčnosti disku jakožto celku. V horším případě můžou chybné povely z řídícího čipu způsobit poškození čtecí / zapisovací hlavy či náhodné přepisování dat. Naštěstí při selhání elektroniky je možné tuto vyměnit za stejnou z jiného disku a alespoň zachránit data.

Typický důsledek: dlouhá či zcela nefunkční detekce disku systémem, nefunkční DMA režim přenosu, chybné čtení / zápis dat, poškození čtecí / zapisovací hlavy
Projev selhání: nepředvídatelné

Poškození ložisek motoru - Motorky otáčející plotny sice dnes používají kapalinová ložiska, která mají delší životnost a mnohem menší hlukový projev než jinak běžně používaná kuličková ložiska

Kapalinová ložiska ventilátorů Panaflo mají nižší úroveň hlučnosti.

avšak i ta po delší době provozu začínají více 'pískat', než když je disk nový. Časem se prostě oběhají. Občas se ale stane, že ložiska začnou hlučet výrazně víc a disk takto začne pískat tak, že je například slyšet i 10 metrů daleko nebo přes zavřené dveře ( což normální člověk nesnese déle než pár minut). V takovém případě se jasně jedná o poškození ložisek.

Typický důsledek: růst hlučnosti disku v oblasti vyšších frekvencí až na nesnesitelnou úroveň, selhání motorku otáčejícího plotnami
Projev selhání: obvykle dlouhodobý proces stárnutí, ale může nastat i náhodně

Teplota - Vysoká teplota degraduje materiál. Magnetizovatelná látka plotny se může vlivem vysoké teploty poškodit a s tím zmizí i data. Vyšší teplota fyzicky zvětšuje pevný disk (látky se s růstem teploty roztahují), takže je nutná rekalibrace. S vyšší teplotou se zvyšuje riziko chybně zapsaných či chybně přečtených dat. Vysoká teplota je jednou z nejčastějších příčin selhávání pevných disků.

pod 40 stupňů - vhodná teplota, ale málokdy dosažitelná bez aktivního chlazení

nad 40 stupňů - snesitelné, pokud disk není používán nepřetržitě nebo na ukládání cenných dat

nad 45 stupňů - již znatelné riziko

nad 50 stupňů - velké riziko poškození disku

nad 60 stupňů - často nastává chyba čtení / zápisu, selhává elektronika, neodpovídá provozním specifikacím drtivé většiny disků

Typický důsledek: zmizení disku ze systému, problémy s detekcí disku, poruchy čtení a zápisu
Projev selhání: od určité teploty okamžité následky, jinak urychlený proces stárnutí.

Samozřejmě mohou nastat i jiné scénáře. Naštěstí je možné řadu z nich předvídat

S.M.A.R.T. je zkratka pro Self-Monitoring Analysis and Reporting Technology. Do češtiny bychom to mohli velmi volně přeložit jako samokontrolní mechanismus. Ten je integrován ve všech moderních pevných discích, přičemž 'moderní' zde znamená cca. od druhé poloviny devadesátých let. Nečekejte S.M.A.R.T. na discích kapacit v řádu stovek MB či prvních 'gigových' discích. Ale již třeba některé 4GB disky ho mají.

Úkolem S.M.A.R.T. je nezávisle na operačním systému či jiném hardware monitorovat stav pevného disku. Hlídají se některé základní ukazatele, jejichž pravidelným sledováním lze předpovědět problémy pevného disku. I některé těžko předvídatelné problémy se mohou projevit změnou některých vlastností - S.M.A.R.T. je dobré cca. jednou týdně zběžně prohlédnout, zda se něco nezměnilo a pokud ano, problém vyhodnotit.

Obecně novější disky hlídají více ukazatelů než disky starší - zatímco můj starý Seagate Medalist obsahoval asi deset položek, nový Maxtor DiamondMax 10 jich má hned třicet.

Takto vypadají hodnoty S.M.A.R.T. u nového pevného disku.

Hodnoty S.M.A.R.T. umí zjistit mnoho programů, dle mě jedním z nejlepších v tomto ohledu je SpeedFan - a to hlavně proto, že má dobrou podporu ze strany výrobců čipsetů, takže si poradí i s některými specifickými řadiči jako je Serial ATA na VIA VT8237 či jiné (a patrně ho už tak nebo tak máte nainstalovaný). Bohužel bez podpory řadiče program není schopen přistupovat k disku, tj. ani přečíst si z něj hodnoty S.M.A.R.T. V tomto má přeci jenom výhodu klasické IDE rozhraní oproti Serial ATA, neb IDE funguje na všech základních deskách stejně (např. má vždy IRQ14 pro první kanál a IRQ15 pro druhý kanál), čili je vždy kompatibilní s programy - avšak pozor, toto neplatí, pokud je disk připojen přes přídavný řadič, tam je situace stejná jako u Serial ATA.

S.M.A.R.T. ukazuje mnoho údajů, z nichž u některých si nikdy nebudete jistí, co přesně znamenají. Navíc u každého typu se mohou různé ukazatele chovat různým způsobem. Je proto dobré sledovat ihned po koupi, co se mění. Nový disk má hodnoty vynulovány a je zcela běžné, že při prvních dnech používání se tyto hodně mění - ustalují se. Pokud to nejsou klíčové položky (viz. níže), není se čeho obávat.

Čtyři položky značí stav:

Value - aktuální výsledná hodnota (obecně čím menší hodnota, tím hůře)

Worst - nejhorší výsledná hodnota

Warn - výsledná hodnota, při jejímž dosažení či překročení (překročení znamená, že Value je menší než Warn) již není doporučeno disk používat, protože některé jeho parametry dosáhly kritických mezí spolehlivosti

Raw - aktuální či kumulovaná hodnota sledovaného parametru (obecně čím více, tím hůře)

Rozdíl mezi Value a Raw lze snadno demonstrovat například na počtu provozních hodin. Pokud bude Value ukazovat 90, znamená to, že 10 procent z předpokládané životnosti disku v hodinách bylo již vypotřebováno. Raw v takovém případě bude ukazovat počet uběhnutých hodin v hexa formátu. Pro uživatele je nejdůležitější parametrem právě Raw, na němž je možné vysledovat přicházející problémy.

Význam položek

Co je důležité sledovat? Některé položky jsou více méně informativní, jiné klíčové.

V případě problémů se sektory (Reallocated Event Count a Current Pending Sector není rovno nule) je možné spuštěním diagnostických utilit výrobce tyto přealokovat do záložní oblasti. Obvykle se tomuto postupu říká Low Level Format, i když to není zcela přesné, protože zde nedochází k nahrazování značek. Co program provede, je, že prozkoumá čitelnost všech sektorů a problémové přealokuje. Mimo to program provede tzv. Zero Write (či Zero Fill), což, jak název napovídá, není nic jiného než zapsání nul na celý povrch disku. Tím se magnetizovatelná látka pročistí do výchozí podoby a připraví se pro nové zmagnetizování. Přirozeně při tom přijdete o všechna data na disku uložená. Osobně doporučuji zero write preventivně spouštět jednou za rok, pokud k tomu máte možnosti (tedy především čas a místo na zálohu dat - ideální je to například pro RAID 1). Zabráníte tím náhodné změně dat sektoru v důsledku nepoužívání.

Jedním z nejznámějších diagnostických programů je Drive Fitness Test

Odkazy na diagnostické utility:

IBM / Hitachi - Drive Fitness Test

Seagate - SeaTools

Maxtor - PowerMax

Western Digital - Data Lifeguard

Samsung - H-Util

SeaTools našly na disku problémové sektory ve dvou souborech. Disk tyto sektory sice dokázal po asi minutě snahy přečíst, elektronika je však preventivně přealokovala.

Co dělat, když už disk nefunguje?

Když už se disk porouchal, je třeba si ujasnit, co se mu stalo (viz. část 'typy poškození'). V případě poškození elektroniky stačí tuto vyměnit za elektroniku ze zcela stejného disku (stejná modelová řada, stejná kapacita a pokud možno i stejný firmware), nastartovat, zazálohovat data, namontovat zpět původní elektroniku a disk odnést na reklamaci. Horší je situace, kdy se disk porouchal mechanicky. V případě vzniku prvního chybného sektoru je nutné ihned zálohovat, protože se může snadno stát, že chyby budou přibývat rapidním tempem a během pár hodin provozu již data zachránit nepůjdou. Někdy se ale může ukázat, že disk po vytvoření asi deseti až dvaceti chybných sektorů (tzv. BBček - Bad Blocks) již pracuje zcela v pořádku několik let - v případě reklamace disku se tak vystavujete potenciálně většímu riziku ztráty dat při chybě nového disku. Osobně takto mám dva disky Seagate a musím přiznat, že jim i přes nějaké ty BBčka věřím.

Takto dopadl disk zmíněný výše po třech měsících provozu - Týden poté, co Raw Read Error Rate přestal být nulový, se na disku objevily chybné sektory, které začaly rychle přibývat. Na snímku je 131 (83h) sektorů k přemapování.

V případě katastrofálního selhání (např. poškození čtecí / zapisovací hlavy, porucha motoru točícího plotnami) je nutné disk odnést do specializované firmy provádějící záchranu dat. Taková záchrana ovšem vyjde dost draho, v řádu tisíců až desetitisíců Kč. Pořízení RAIDu 1 (zrcadlení dvou disků) je v konečném důsledku mnohem levnější. Mimo to při fatálním selhání téměř nikdy nelze obnovit z disku všechna data.

Z uvedeného je vidět, že jakožto uživatel můžete zachraňovat data pouze při vzniku chybných sektorů a případně i při poruše elektroniky (pokud ovšem máte náhradní). Plyne z toho jediné - zálohovat se vyplatí, vždyť data jsou na počítači to nejcennější.

Co udělá prodejce / výrobce při reklamaci (RMA)?

Maxtor tvrdí, že počet ročně vrácených disků je méně než 1 procento. Je to ale pravda?

V době tvrdých cenových tlaků a klesajícího zájmu o výnosné velké kapacity se výrobci musí snažit minimalizovat množství vrácených pevných disků. Řešení v takovém případě je vcelku jednoduché - výrobce disk opravuje jeho přeformátováním. V továrně při výrobě disk formátují (vytváří na něm navigační značky), přičemž vždy narazí na nějaké chyby. Tyto chyby jsou přealokovány do jiných oblastí, jinými slovy místo s chybou je nahrazeno volným místem v jiné části disku (vyrobit celou plotnu bez jediné chyby je prakticky nemožné - stejně se dnes postupuje i při výrobě např. procesorů, které také obsahují záložní bloky). Elektronika disku je na toto nastavena, takže pro uživatele to nemá žádný negativní dopad.

Při opravě chybného disku po vzniku chybných sektorů pak stačí tento znovu low level naformátovat. Výrobce pak nemusí disk vyhodit do koše a ušetří. Jenže pokud už plotna selhávala z důvodu nějakého skrytého defektu, může se snadno stát, že disk z reklamace bude mít větší riziko havárie než průměrný nový disk. Toto se hojně stávalo u disků IBM Deskstar 75GXP, kde si uživatelé velmi stěžovali, že disky přijaté z reklamace selhávají stejně rychle nebo dokonce rychleji než jejich původní kus. Proto pozor, obecně se spíše nevyplatí reklamovat disk, na kterém vzniklo několik málo chybných sektorů, ale jinak již běží bez problémů. Samozřejmě že při rapidně narůstajícím množství BBček či při chybném čtení je nutné se disku co nejrychleji zbavit.

Které disky jsou spolehlivé?

V zásadě platí, že všechny značky se porouchávají. Neexistuje jediná značka, která by byla absolutně spolehlivá. A to bohužel platí i o drahých SCSI discích pro servery. Emocionální diskuze na různých fórech pouze potvrzují, že jistotu o data nemůžete mít nikdy. Problémem při hodnocení spolehlivosti je především to, že příslušná statistická data je možné získat až po dlouhé době, tedy v okamžiku, kdy se disk téměř neprodává.

Který selže příště?

Přesto existuje databáze zkušeností s pevnými disky. Najdete jí na serveru StorageReview po zaregistrování se a vyplnění vlastních zkušeností (link - https://www.storagereview.com/map/lm.cgi/survey_login). Údaje v této databázi se netýkají jen porouchaných, ale také plně funkčních pevných disků, takže můžete snadno získat představu, jak jsou které generace na tom. Musím říct, že údaje z této databáze vcelku odpovídají 'drbům', které se ke mně dostanou z jiných zdrojů - například od kamarádů, kteří mají kamarády v nějakém tom větším obchodě (statistiky o poruchovosti jsou samozřejmě velmi pečlivě střeženy).

Závěr - zásady pro zlepšení spolehlivosti disku

Na závěr shrnutí, co je možné udělat, aby měl disk co nejoptimálnější podmínky, tj. co nejdelší životnost:

• chlaďte disk na teplotu pod 40 stupňů Celsia
• pořiďte si online záložní zdroj napájení (UPS vytvářející střídavý proud z baterií)
• disk nepřenášejte a vyhněte se náhlým změnám provozního prostředí
• striktně dodržujte frekvenci řadiče disků (tj. neměňte frekvenci south bridge čipsetu přetaktováním)
• používejte co nejkratší kabely pokud možno se stíněním, kabely ve skříni veďte co nejdál od napájecích kabelů, disk nevystavujte silným zdrojům elektromagnetického záření (umístěte ho co nejdál od zdroje)
• pořiďte si kvalitní ATX12V zdroj odpovídající energetické náročnosti počítače

Pokud k tomu budete průběžně sledovat hodnoty ze S.M.A.R.T., riziko ztráty dat tím výrazně zredukujete. Ještě větší jistotu lze získat použítím RAID1, o tom si ale povíme až příště.