如何用nvme-cli检查香港服务器SSD健康状态及关键输出指标

验收香港服务器的NVMe SSD硬盘时，最容易忽略的误区是：看到critical_warning: 0便认定硬盘正常。这个字段只能说明当前没有触发严重告警，不能代替对备用空间、寿命消耗、介质错误、过温记录和错误日志的检查。

正确的验收方法是：先确认设备身份，再读取SMART和错误日志，将critical_warning、available_spare、percentage_used、media_errors等指标放在一起判断，最后保存原始输出并对异常项复测。

以下命令适用于Linux直接识别NVMe设备，或虚拟机已经透传NVMe控制器的环境。除可选的设备自检外，主要检查均为只读操作，不会修改磁盘数据。

先明确NVMe SSD验收标准

NVMe SSD没有脱离型号、交付状态和使用历史的统一温度、通电时间或累计写入量标准。验收时可按下表建立正常与异常分界：

percentage_used达到100不代表SSD会立即离线，而是控制器估算的额定耐久度已经消耗完毕。反过来，即使该值较低，也不能抵消介质错误、可靠性降低或只读告警。

确认nvme-cli和实际设备

先查看Linux发行版及nvme-cli状态：

cat /etc/os-release
command -v nvme
nvme version

Ubuntu、Debian可安装：

sudo apt update
sudo apt install -y nvme-cli

使用DNF的RHEL、Rocky Linux、AlmaLinux等系统可执行：

sudo dnf install -y nvme-cli

安装通常不需要重启，但生产环境存在软件变更审批时，应先按现有流程确认。

不要直接假设系统盘就是/dev/nvme0n1，应先列出控制器、命名空间和磁盘属性：

sudo nvme list
lsblk -d -o NAME,MODEL,SERIAL,SIZE,ROTA,TRAN

常见命名中，/dev/nvme0是控制器，/dev/nvme0n1是命名空间。本文示例设置为：

CTRL=/dev/nvme0

香港服务器如有多块NVMe SSD硬盘，应分别检查/dev/nvme0、/dev/nvme1等控制器，不能只检查系统盘。随后读取设备身份：

sudo nvme id-ctrl -H "$CTRL"

重点核对mn、sn、fr对应的型号、序列号和固件版本，并确认是否声明支持自检、温度阈值等能力。虚拟机如果只显示普通虚拟磁盘而没有NVMe控制器，则无法通过本机命令判断底层物理SSD健康状态，需要由宿主机侧提供对应日志。

读取SMART并判断关键指标

执行核心检查：

sudo nvme smart-log -H "$CTRL"

需要保存结构化结果时使用：

sudo nvme smart-log "$CTRL" -o json

不同nvme-cli版本的字段名称和显示格式可能略有差异，但判断方法一致。

• critical_warning：正常应为0。常见位含义为0x01备用空间不足、0x02温度超限、0x04可靠性降低、0x08进入只读状态、0x10易失性内存备份设备异常。多个问题可以叠加，任何非零值都应留证并解析。
• available_spare：必须与available_spare_threshold比较。前者低于后者时会触发严重告警。
• percentage_used：表示厂商依据写入、擦除和介质特性估算的寿命消耗。若交付声称使用全新SSD，而该值、通电时间或写入量明显不符合描述，应要求核对设备历史。
• media_errors：表示控制器检测到的不可恢复数据完整性错误。非零不一定证明当前仍在故障，但必须结合错误日志并复测。
• num_err_log_entries：属于累计值，其中可能包含不支持的管理命令等非介质错误，不能单独用于判定硬盘损坏。
• 温度记录：当前温度应与id-ctrl提供的设备警告和临界阈值比较。warning_temp_time或critical_comp_time非零，说明历史上可能出现过温运行；当前温度恢复正常不能消除这段记录。

data_units_read和data_units_written不是直接以GB或TB表示。一个数据单位对应1000个512字节单位，十进制TB可按下式估算：

累计TB ≈ data_units数值 × 512000 ÷ 1000000000000

部分新版nvme-cli会在-H输出中附带可读容量。累计写入量本身不是故障，需要结合SSD额定耐久度、业务时间和交付状态判断。

用错误日志区分历史记录与持续故障

读取最近的错误日志条目：

sudo nvme error-log "$CTRL" -e 64

重点查看有效条目中的error_count、status_field、lba和命令信息。空条目通常由零值填充，历史错误也可能来自不支持的管理命令。以下情况应优先处理：

• media_errors非零，且错误日志指向介质或数据完整性问题；
• 相同LBA或相同状态错误重复出现；
• 两次采集之间错误计数继续增长；
• 同时出现可靠性降低、备用空间不足或只读告警。

如果命令提示设备不存在，应重新执行nvme list确认控制器路径；提示权限不足时使用sudo。不要通过反复重启清除现场后再取证。

维护窗口内可选短自检

自检会增加控制器检测负载，可能影响I/O延迟。业务繁忙、阵列正在重建或设备能力不明确时，不要直接执行。先确认命令和控制器支持情况：

nvme device-self-test --help
sudo nvme id-ctrl -H "$CTRL" | grep -i "self-test"

确认支持后，可在维护窗口启动短自检并读取结果：

sudo nvme device-self-test "$CTRL" --self-test-code=1
sudo nvme self-test-log "$CTRL"

验收成功标准是测试完成且未报告错误。若返回Invalid Opcode或“不支持”类提示，通常表示控制器、固件或虚拟化层未提供该功能，不能仅凭该提示判定SSD故障。

留证、复测并确认交付结果

建议使用UTC时间保存检查环境、设备身份和原始日志：

CTRL=/dev/nvme0
STAMP=$(date -u +%Y%m%dT%H%M%SZ)
DIR="$HOME/nvme-check-$STAMP"

umask 077
mkdir -p "$DIR"

uname -a > "$DIR/system.txt"
nvme version > "$DIR/nvme-version.txt"
sudo nvme list -o json > "$DIR/nvme-list.json"
sudo nvme id-ctrl -H "$CTRL" > "$DIR/id-ctrl.txt"
sudo nvme smart-log "$CTRL" -o json > "$DIR/smart-log.json"
sudo nvme error-log "$CTRL" -e 64 > "$DIR/error-log.txt"

sha256sum "$DIR"/* > "$DIR/SHA256SUMS"

日志可能包含SSD序列号，对外提交副本前应脱敏，原件保存在受控目录。复测应保持同一控制器、同一nvme-cli版本和相近业务负载，并记录两次采集的UTC时间。

如果严重告警持续存在，或media_errors、错误日志计数、过温累计时间继续增加，应先备份业务数据，避免执行写入压测、固件升级、format或sanitize等可能改变现场的操作。最后将两次日志、设备身份、测试条件和时间点一并提交处理，并确认实际型号、容量、固件及健康状态与香港服务器交付信息一致。