解决存储错误管理的困境

因此，我还在想，这种情况会不会有什么问题?我觉得是有一些问题和值得担忧的地方。

● 就像培根先生所说的那样，知识就是力量。我想知道RAID控制器里所发生的事情，决策是如何做出的，以及为什么磁盘控制器会出现故障。

● RAID厂商们在看到一些情况后一般会怎么做呢?在过去的10年中，我看到了很多次故障率非常高的情况，特别是在新驱动器的早期发布上。如果我早知道这些统计数据，我就可以更加积极主动地和厂商沟通这些故障(当然，他们很可能不想让我知道)。

● 错误信息都没有被整合到环境中去，而我所能获得的就是一些SNMP警告，或者如果登录到RAID控制器本身，我可能会得到更多的细节。

因此，基于这些理由，我非常希望RAID厂商能够提供关于他们底层所做的事情方面的数据，这样我可以做出更好的决策。问题是你如何让所有这些信息都进入到企业监测框架中去呢?答案是：不容易。

信道误码率

光纤通道和一些其他技术有10E12th比特的信道误码率，但是通过错误纠正代码，可以获得更高的正确率。就我所闻而言，光纤通道的误码率可以纠正到大约10E21st比特。也就是说，在每10E21st比特的信息中可能会因为没有将一个误码监测为误码，或者因为错误地纠正一个误码而得到一个误码。

这个比特数很高，这是一件好事，但是一直以来我所面临的问题是：如果信道开始衰减(见《当比特变坏》)那么会发生什么?如果误码率为10E12th的信道开始衰减，那么会如何影响10E21st的误码纠错率，而信道会何时开始衰减?如果误码率为10E11th或者10E10th时又如何呢?至少，我还没有从公开的渠道中获得任何答案。无论是什么数字，误码纠错率都会以非线性的形式急速下降。在这个领域中，我还是没有发现公开的答案，但我自己估计，大概会以4到5倍的数量级下降。这也就是我为什么希望搜集这种类型的错误信息的原因，因为这样我就可以对整个数据通路进行相关分析。

实际上，在整个数据通路上，都可以得到很多的错误统计数据和信息，问题是没有一个统一的管理工具来获得所有这些信息。我经常要利用很多工具和脚本来确定问题所在并进行相关分析。随着存储环境越来越复杂，将低层次数据、所有的数据通路错误以及警告联系起来肯定是一件非常好的事情。SNMP警告则仅仅是警告，因为几乎任何时候，它们都不会提供足够的信息来告诉你是因为什么原因导致了警告。也许我问得太多了，但是如果这个问题得到了解决，那么肯定会有很多人从中受益。