服务器故障第1季-不明原因篇

故障回放：有故障现象，无故障原因

　　解决方案：类似的事情有很多，比如说系统蓝屏，可能是软件冲突，也可能是病毒，还可能是内存，亦有可能是主板电容爆掉……，面对这种故障我们很难第一时间与以判断，这个时候我们就需要在综合的角度进行考量。

　　首先重装系统，排除软件的故障;然后，逐一替换系统硬件，排除硬件故障的可能性;如问题依旧就需要考察服务器的应用环境是否正常，比如电力供应是否满足需求，温湿度是否在正常指标之内，机房的洁净度是否合规，服务期内的灰尘是否太多等等。很多时候故障出现的时间并不固定，短则几分钟，长则数天，没有任何规律，对于我们排错和控制造成了很多麻烦，但是细心+耐心总能找出问题的关键点，最终解决。

　　危害程度：★★★★★

　　控制难度：★★★★★

　　综合评定：★★★★★

防静电、雷击的UPS已普及

　　故障回放：一间极为普通的机房内，春节过后，准备手动升级病毒库，刚刚触摸服务器，瞬间一个电火花出现，紧接着服务器死机了，重新启动服务器很多数据莫名其妙的丢失。

　　解决方案：不要小看这电火花，当人体接触金属物质产生电火花时，人体的静电电压已经超过3000伏，而硬盘只需1000伏左右的静电就会造成数据丢失，因此防静电工作务必做好，如今机房最为普遍、最为简便的防静电措施就是铺设防静电地板，它不仅能过滤很多的静电，在防火、防潮、防锈方面也起到很大作用，保护效果非常明显。

　　另外，闪电、雷暴等自然灾害也会造成硬件的损坏，这要破坏要远远高于静电，所以保护硬件安全也需要部署B/C级防雷。

　　危害程度：★★★★☆

　　控制难度：★★★★★

　　综合评定：★★★★☆

服务器故障第3季-主板篇

故障回放：根据日志的记录，Wsus服务器在凌晨2点宕机了，回滚当日监控录像和环境记录，没有任何异常，起初怀疑是病毒或者策略等软件因素造成的意外状况，但是重启服务器时却是另外一番景象。

　　开机→风扇转动，电源模块指示灯狂闪→尚未自检，随即再次启动→电源模块指示灯再次闪烁，如此周而复始。

　　解决方案：更换CPU、内存插槽，更换电源模块，插拔硬盘，故障依旧，将这些设备放置到同型号的服务器上，没有任何问题。于是怀疑主板损坏，联系厂家工程师，经检测确实是主板故障，更换主板后恢复正常。

　　同CPU一样，主板的故障率是比较低的，但是它的危害程度却远高于CPU，对于多路服务器来讲，单一CPU的损坏并不会影响整个服务器(如HP服务器)的运转，我们失去的或许只是性能和速度;而对于主板，它几乎没有替代品，只能依靠厂家的更换，因此它的危险性较高。

　　危害程度：★★★★

　　控制难度：★★★★★

　　综合评定：★★★★☆

服务器故障第4季-RAID篇

故障回放：某企业更换新的数据中心，服务器需要逐步迁移，一台文件服务器成为先行者。这是一台采用的RAID1(关于什么是RAID?和Raid设置,以及raid控制器的概念我们可另行参考本站相关文章)容灾策略的服务器，迁移过程中没有任何问题，但是使用不久一次雷暴天气后服务器异常关闭，经检测防雷系统并没有起到应有的作用，导致服务器两块硬盘同时损坏。

　　解决方案：对于RAID1来说，只能允许一块硬盘的损坏，当2块硬盘同时损坏后，数据将全部丢失，对于RAID3、5来说同样如此;而对于RAID6，虽然支持两块硬盘同时掉线，但是第三块盘再度掉线后，系统将也将全面崩溃!

　　上述故障数据将是不可逆性恢复，由此可见RAID技术虽好，仍有一些弊端，因此对于极其重要的服务器我们不仅仅要做出RAID的策略，还要将核心数据同步备份到其他介质，比如：磁带、磁盘等。

　　危害程度：★★★☆

　　控制难度：★★★★☆

　　综合评定：★★★★

服务器故障第5季-硬盘篇

故障回放：某IBM服务器近期经常出现死机、无征兆的重启，经数据中心IT运维人员进行检测后发现是硬盘工作时间太长，出现了物理坏道。于是立即将此硬盘拆下，将硬盘内的数据导出，结果在转移数据的过程中，不停地弹出I/O错误，这直接导致数据转移的速度非常慢，且丢失了很多重要数据。

　　解决方案：这种情况多数是磁头或者盘片出现了错误。联系专业的数据恢复公司，拆开硬盘，果然是盘片出现了划伤，好在划伤面积并不大，更换磁头后重新恢复数据，恢复了95%以上的数据，算是比较好的结果了。

　　这个故障发现的及时，在盘片没有出现更多物理损伤前予以解决，如盘片损坏严重，数据将永久性丢失，为了避免这种状况的发生我们需要做到以下几点：

　　选择质量上乘的服务器硬盘，比如：平均无故障时间超过1600000小时，年故障率低于0.55%，抗震方面要有300G/2ms的以上的耐冲击能力等等;

　　关键服务器采用RAID模式，比如：RAID5，它由至少3块硬盘组成，在向硬盘写入数据信息的同时，还写入校验信息，当其中有1块硬盘出现故障时，可以根据算法从另外2块硬盘上得出这块故障硬盘的数据，安全性大大提高。

　　危害程度：★★★☆

　　控制难度：★★★☆

　　综合评定：★★★☆