解析IBM x3850 RAID5服务器故障恢复方案

Posted 2020-11-21

【基本信息】
服务器型号：IBM X3850服务器，
硬盘型号：73G SAS硬盘，
硬盘数量：5块硬盘 其中4块组成一个RAID5，另一块做为热备盘(Hot-Spare)，
操作系统：linux redhat 5.3,应用系统为构架于oracle的一个oa。

【故障表现】
3号盘早已经离线，但热备盘未自动激活rebuild（原因不明），之后2号盘离线，RAID崩溃。
oracle已经不再对本oa系统提供后续支持，用户要求尽可能数据恢复+操作系统复原。

【初检结论】
热备盘完全无启用，硬盘无明显物理故障，无明显同步表现。数据通常可恢复。

【恢复方案】
1、保护原环境，关闭服务器，确保在恢复过程中不再开启服务器。
2、把故障硬盘编号排序，用以确保硬盘取出槽位后可以完全复原。
3、将故障硬盘挂载至只读环境，对所有故障硬盘做完全镜像(参考<如何对磁盘做完整的全盘镜像备份>)。备份完成后交回原故障盘，之后的恢复操作直到数据确认无误前不再涉及原故障盘。
4、对备份盘进行RAID结构分析，得到其原来的RAID级别，条带规则，条带大小，校验方向，META区域等。
5、根据得到的RAID信息搭建一组虚拟的RAID5环境。
6、进行虚拟磁盘及文件系统解释。
7、检测虚拟结构是否正确，如不正确，重复4-7过程。
8、确定数据无误后，按用户要求回迁数据。如果仍然使用原盘，需确定已经完全对原盘做过备份后，重建RAID，再做回迁。回迁操作系统时，可以使用linux livecd或win pe(通常不支持)等进行，也可以在故障服务器上用另外硬盘安装一个回迁用的操作系统，再进行扇区级别的回迁。
9、数据移交后，由我数据恢复中心延长保管数据3天，以避免可能忽略的纰漏。

【预估周期】
备份时间：2小时左右
解释及导出数据时间：约4小时
回迁操作系统：约4小时。

【过程详解】
1、对原硬盘进行完整镜像，镜像后发现2号盘有10-20个坏扇区，其余磁盘均无坏道。
2、通过对结构的分析得到的最佳结构为0,1,2,3盘序，缺3号盘，块大小512扇区，backward parity(Adaptec)，结构如下图：

3、组好后数据验证，200M以上的最新压缩包解压无报错，确定结构正确。
4、直接按此结构生成虚拟RAID到一块单硬盘上，打开文件系统无明显报错。
5、确定备份包安全的情况下，经客户同意后，对原盘重建RAID，重建时已经用全新硬盘更换损坏的2号盘。将恢复好的单盘用USB方式接入故障服务器，再用linux SystemRescueCd启动故障服务器，之后通过dd命令进行全盘回写。
6、回写后，启动操作系统。
7、dd所有数据后，启动操作系统，无法进入，报错信息为：/etc/rc.d/rc.sysinit:Line 1:/sbin/pidof:Permission denied，分析为此文件权限有问题。
8、用SystemRescueCd重启后检查，此文件时间、权限、大小均有明显错误，显然节点损坏。
9、重新分析重组数据中的根分区，定位出错的/sbin/pidof，发现问题因2号盘坏道引起。
10、使用0，1，3这3块盘，针对2号盘的损坏区域进行xor补齐。补齐后重新校验文件系统，依然有错误，再次检查inode表，发现2号盘损坏区域有部分节点表现为(图中的55 55 55部分)：

11、很明显，虽然节点中描述的uid还正常存在，但属性，大小，以最初的分配块全部是错误的。按照所有可能进行分析，确定无任何办法找回此损坏节点。只能希望修复此节点，或复制一个相同的文件过来。对所有可能有错的文件，均通过日志确定原节点块的节点信息，再做修正。
12、修正后重新dd根分区，执行fsck -fn /dev/sda5，进行检测，依然有报错，如下图：

13、根据提示，在系统中发现有多个节点共用同样的数据块。按此提示进行底层分析，发现，因3号盘早掉线，帮存在节点信息的新旧交集。
14、按节点所属的文件进行区别，清除错误节点后，再次执行fsck -fn /dev/sda5,依然有报错信息，但已经很少。根据提示，发现这些节点多位于doc目录下，不影响系统启动，于是直接fsck -fy /dev/sda5强行修复。
15、修复后，重启系统，成功进入桌面。启动数据库服务，启动应用软件，一切正常，无报错。

到此，数据恢复及系统回迁工作完成。