一、raid資料恢復故障描述

故障描述

HP FC MSA2000儲存 整個儲存空間由8塊450GB SAS的硬碟組成，其中7塊硬碟組成一個RAID5的陣列，剩餘1塊做成熱備盤使用。由於RAID5陣列中出現2塊硬碟損壞，而此時只有一塊熱備盤成功啟用，因此導致RAID5陣列癱瘓，上層LUN無法正常使用。

由於儲存是因為RAID陣列中某些磁碟掉線，從而導致整個儲存不可用。因此接收到磁碟以後先對所有磁碟做物理檢測，檢測完後發現沒有物理故障。接著使用壞道檢測工具檢測磁碟壞道，發現也沒有壞道。

二、raid陣列資料備份

考慮到資料的安全性以及可還原性，在做raid資料恢復之前需要對所有源資料做備份，以防萬一其他原因導致資料無法再次恢復。使用dd命令或winhex工具將所有磁碟都映象成檔案。備份完部分資料如下圖：

三、raid資料恢復故障分析

1、分析raid故障原因

由於前兩個步驟並沒有檢測到磁碟有物理故障或者是壞道，由此推斷可能是由於某些磁碟讀寫不穩定導致故障發生。因為HP MSA2000控制器檢查磁碟的策略很嚴格，一旦某些磁碟效能不穩定，HP MSA2000控制器就認為是壞盤，就將認為是壞盤的磁碟踢出RAID組。而一旦RAID組中掉線的盤到達到RAID級別允許掉盤的極限，那麼這個RAID組將變的不可用，上層基於RAID組的LUN也將變的不可用。目前初步瞭解的情況為基於RAID組的LUN有6個，均分配給HP-Unix小機使用，上層做的LVM邏輯卷，重要資料為Oracle資料庫及OA服務端。

2、分析RAID組結構

HP MSA2000儲存的LUN都是基於RAID組的，因此需要先分析底層RAID組的資訊，然後根據分析的資訊重構原始的RAID組。分析每一塊資料盤，發現4號盤的資料同其它資料盤不太一樣，初步認為可能是hot Spare盤。接著分析其他資料盤，分析Oracle資料庫頁在每個磁碟中分佈的情況，並根據資料分佈的情況得出RAID組的條帶大小，磁碟順序及資料走向等RAID組的重要資訊。

3、分析RAID組掉線盤

根據上述分析的RAID資訊，嘗試透過北亞自主開發的RAID虛擬程式將原始的RAID組虛擬出來。但由於整個RAID組中一共掉線兩塊盤，因此需要分析這兩塊硬碟掉線的順序。仔細分析每一塊硬碟中的資料，發現有一塊硬碟在同一個條帶上的資料和其他硬碟明顯不一樣，因此初步判斷此硬碟可能是最先掉線的，透過北亞自主開發的RAID校驗程式對這個條帶做校驗，發現除掉剛才分析的那塊硬碟得出的資料是最好的，因此可以明確最先掉線的硬碟了。

4、分析RAID組中的LUN資訊

由於LUN是基於RAID組的，因此需要根據上述分析的資訊將RAID組最新的狀態虛擬出來。然後分析LUN在RAID組中的分配情況，以及LUN分配的資料塊MAP。由於底層有6個LUN，因此只需要將每一個LUN的資料塊分佈MAP提取出來。然後針對這些資訊編寫相應的程式，對所有LUN的資料MAP做解析，然後根據資料MAP並匯出所有LUN的資料。

四、LVM邏輯卷及VXFS檔案系統修復

1、解析LVM邏輯卷

分析生成出來的所有LUN，發現所有LUN中均包含HP-Unix的LVM邏輯卷資訊。嘗試解析每個LUN中的LVM資訊，發現其中一共有三套LVM，其中45G的LVM中劃分了一個LV，裡面存放OA伺服器端的資料，190G的LVM中劃分了一個LV，裡面存放臨時備份資料。剩餘4個LUN組成一個2.1T左右的LVM，也只劃分了一個LV，裡面存放Oracle資料庫檔案。編寫解釋LVM的程式，嘗試將每套LVM中的LV卷都解釋出來，但發現解釋程式出錯。

2、修復LVM邏輯卷

仔細分析程式報錯的原因，安排開發工程師debug程式出錯的位置，並同時安排高階檔案系統工程師對恢復的LUN做檢測，檢測LVM資訊是否會因儲存癱瘓導致LMV邏輯卷的資訊損壞。經過仔細檢測，發現確實因為儲存癱瘓導致LVM資訊損壞。嘗試人工對損壞的區域進行修復，並同步修改程式，重新解析LVM邏輯卷。

3、解析VXFS檔案系統

搭建HP-Unix環境，將解釋出來的LV卷對映到HP-Unix，並嘗試Mount檔案系統。結果Mount檔案系統出錯，嘗試使用“fsck –F vxfs” 命令修復vxfs檔案系統，但修復結果還是不能掛載，懷疑底層vxfs檔案系統的部分後設資料可能破壞，需要進行手工修復。

4、修復VXFS檔案系統

仔細分析解析出來的LV，並根據VXFS檔案系統的底層結構校驗此檔案系統是否完整。分析發現底層VXFS檔案系統果然有問題，原來當時儲存癱瘓的同時此檔案在系統正在執行IO操作，因此導致部分檔案系統元檔案沒有更新以及損壞。人工對這些損壞的元檔案進行手工修復，保證VXFS檔案系統能夠正常解析。再次將修復好的LV卷掛載到HP-Unix小機上，嘗試Mount檔案系統，檔案系統沒有報錯，成功掛載。

五、檢測Oracle資料庫檔案並啟動資料庫

1、恢復所有使用者檔案

在HP-Unix機器上mount檔案系統後，將所有使用者資料均備份至指定磁碟空間。所有使用者資料大小在1.2TB左右。部分檔案目錄截圖如下：

2、檢測資料庫檔案是否完整

使用Oracle資料庫檔案檢測工具“dbv”檢測每個資料庫檔案是否完整，發現並沒有錯誤。再使用北亞自主研發的Oracle資料庫檢測工具（檢驗更嚴格），發現有部分資料庫檔案和日誌檔案校驗不一致，安排高階資料庫工程師對此類檔案進行修復，並在次校驗，直到所有檔案校驗均完全透過。

3、啟動Oracle資料庫

由於我們提供的HP-Unix環境沒有此版本的Oracle資料，因此和使用者協調將原始生成環境帶至北亞資料恢復中心，然後將恢復的Oracle資料庫附加到原始生產環境的HP-Unix伺服器中，嘗試啟動Oracle資料庫，Oracle資料庫啟動成功。部分截圖如下：

六、資料驗證

由使用者方配合，啟動Oracle資料庫，啟動OA服務端，在本地筆記本安裝OA客戶端。透過OA客戶端對最新的資料記錄以及歷史資料記錄進行驗證，並且有使用者安排遠端不同部門人員進行遠端驗證。最終資料驗證無誤，資料完整，資料恢復成功。

七、資料恢復結論

由於故障發生後儲存現場環境良好，沒用做相關危險的操作，對後期的資料恢復有很大的幫助。整個資料恢復過程中雖然遇到好多技術瓶頸，但也都一一解決。最終在預期的時間內完成整個資料恢復，恢復的資料使用者方也相當滿意，Oracle資料庫服務，OA服務端等所有服務能夠正常啟動。