Kone kyykkää satunnaisesti – nörttien apua kaivataan!

Kirjoittanut . Liittyy aiheisiin , , , , , , , , .

Arkistomatskua

Otathan huomioon, että tämä on yli 11 vuotta vanha artikkeli, joten sisältö ei ole välttämättä ihan ajan tasalla. Olin artikkelin kirjoittamishetkellä 25-vuotias.

Olen pitänyt vaatekomerossani palvelinkonetta ”Peikkoa” (Peikon sivut: peikko.us) jostain vuodesta 2008, eli viitisen vuotta. Suurempia ongelmia ei ole ollut, paitsi neljä vuotta sitten kun virtalähde ja pari kiintolevyä sanoivat itsensä irti. Siitäkin selvittiin. Nyt on kyseessä kuitenkin mystisempi ongelma, jota olen koittanut ratkoa koko joululoman. Alan olla neuvoton ja siksi kirjoitankin tästä tänne Rollemaan puolelle, jos osaisit auttaa.

Ensin koneen tämänhetkiset speksit:

  • Prosessori: Intel Core 2 Duo E6300 1.86GHz
  • Emolevy: Asus P5LD2 SE
  • Muistit: 4x Kingston 512MB DDR2-533
  • Virtalähde: Nexus NX-3500 (350W)
  • Kiintolevyt: SATA-liitännällä 1000 GB Western Digital ja 500 GB Seagate

Ajan tällä hetkellä palvelimessa web-palvelimeen liittyviä juttuja (apache, mysql, postgresql, php, jne), mediaserveriä, musiikkiserveriä, dropboxin ja btsyncin daemoneita, irkkiä ja siihen liittyviä juttuja mm. botteja ja joitakin omia säätöjä. Muuten mennään uusimman openSUSE:n defaulttikernelillä.

Palvelin on alkanut jäätyä viime aikoina satunnaisesti. Ensin se oli kerran kuussa, sitten kerran viikossa, nyt on tihentynyt jo niin tiheäksi että jäätyminen tapahtuu muutaman kerran päivässä. Logiin ei tule mitään muuta kuin loputon rivi ^@^@^@^@^@^@^@^@^@^@^@^@^@^@^@^@^@^@^@^@ -merkkejä loputtomiin sen kohdalle missä jäätyminen on tapahtunut. Heti seuraavana on koneen boottikomennot, jotka ovat tietysti sen tulosta kun olen fyysisesti käynyt painamassa resettiä.

Kun kone kyykkää, ei pääse SSH:lla ja kaikki yhteydet katkeavat. Mediaserveriin ei pääse käsiksi ping timeouttia heittää joka paikassa. Koneen näppäimistö ei reagoi mihinkään. Ainoa mikä auttaa on reset-napin painaminen tai koneen sammuttamisen kautta uudelleen käynnistäminen. Käynnistämisen jälkeen kone käyttäytyy kuin mitään ei olisi tapahtunut. Aiemmin kiintolevyjen ja virtalähteen hajoillessa näkyi sentään virheitä logeissa. Nyt /var/log/messages ei heitä tosiaan mitään tietoa mistään.

fff954d66e3211e3abca0e20ef20a535_8

Ajattelin ensin, jos virtalähteessä on vikaa, kuten viimeksi, joten vaihdoin ensin Deltaco 350W virtalähteen kaapista löytyneen raadon Nexus NX-3500:een. Tuntuisi olevan laadukkaampi. Löysin kaapista myös KVR533D2N4/1G muistipalikan, jonka liitin kahden KVR533D2N4/512 tilalle. Näiden jälkeen kone oli muutaman tunnin päällä kunnes jäätyi uudelleen.

Sitten tuli mieleen että kone taitaa ylikuumentua kaapissa. Minulla ei ole näyttöä ollut kiinni aikoihin, vaan käytän komentoriviä pelkästään SSH:n yli, joten otin näytönohjaimen irti. Se on muutenkin viallinen, sillä kun siihen kytkee näytön, hädin tuskin näkee tekstiä sen lumisateen läpi. Pahimmassa tapauksessa on joutunut säätämään BIOS-asetuksia lumisateen kanssa.

2013-12-26 23.55.02

Otin prosessorin siilin pois ja tsekkasin piitahnat, jotka ovat olleet kuusi vuotta prosessorin päällä. Piitahnaa oli aika vähän ja se oli kuivahtanutta, joten ajattelin että lämpötila on ongelma. Ei tosin ole sensors-komento näyttänyt mitään hälyttävää (max +70.0°C per ydin, onko se paljon vai vähän?). Sensors sanoo että korkea raja on +74.0°C ja kriittinen raja +100°C. Tai ainakaan en ole huomannut että olisi rajat ylittävää lämpöä ollut.

Otin GeForcen pois ja heitin jonkun kaapista löytyneen Asuksen näyttiksen tilalle, joka toimi mainiosti. Lisättyäni uudet piitahnat poistin myös BIOSista kaikki Fan controliin viittaavat ja tuulettimen pyörimisnopeus nousi ~800 RPM:stä 1700-2000 RPM:ään ja ajattelin että nyt lämpö-ongelmista päästiin. Tarkkailin jonkin aikaa taas lämpötiloja ja huomasin että ainakin alussa lämpötilat kohoavat silti sinne 70:een, mutta esimerkiksi nyt sensors-komento näyttää tällaista:

[00:42:24] [47.0°C] rolle ~ $ sensors
atk0110-acpi-0
Adapter: ACPI interface
Vcore Voltage:      +1.21 V  (min =  +0.85 V, max =  +1.60 V)
 +3.3 Voltage:      +3.31 V  (min =  +2.97 V, max =  +3.63 V)
 +5 Voltage:        +5.04 V  (min =  +4.50 V, max =  +5.50 V)
 +12 Voltage:      +12.20 V  (min = +10.20 V, max = +13.80 V)
CPU FAN Speed:     1973 RPM  (min =  600 RPM, max = 7200 RPM)
CHASSIS FAN Speed:    0 RPM  (min =  800 RPM, max = 7200 RPM)
POWER FAN Speed:      0 RPM  (min =  800 RPM, max = 7200 RPM)
CPU Temperature:    +44.0°C  (high = +60.0°C, crit = +95.0°C)
MB Temperature:     +39.0°C  (high = +45.0°C, crit = +95.0°C)

coretemp-isa-0000
Adapter: ISA adapter
Core 0:       +49.0°C  (high = +74.0°C, crit = +100.0°C)
Core 1:       +52.0°C  (high = +74.0°C, crit = +100.0°C)

Ei taida siis kyse olla lämpötiloista? Jäljelle jäävät jäljellä olevat muistit, kiintolevyt, prosessori ja emolevy. Mitä veikkaisit ja mitä kautta lähteä selvittelemään? vai ostaisiko ihan uudet osat?

Piditkö tekstistä? Tarjoa kahvit!

Kuva Roni Laukkarisesta

Roni Laukkarinen

Kirjoittaja on 35-vuotias elämäntapanörtti, ammatiltaan yrittäjä ja teknologiajohtaja perustamassaan digitoimistossa, verkkosivujen tekijä, koukussa kirjoittamiseen 5-vuotiaasta. Päivät kuluu monipuolisen musiikkiharrastuksen, retropelien ja koodaamisen parissa, mutta arkea piristyttää myös vaimo ja kaksi lasta. Mastodon ja leffat lähellä sydäntä.

Lue Rollesta lisää

Reaktiot

Vaadittu kenttä

 

4 kommenttia

  1. Rauno

    Minulla on joskus molex-liittimet aiheuttaneet samantapaisia oireita, kun ovat hapettuneet tai muusta syystä kontakti kiintolevypäässä muuttunut epävarmaksi. Mutta sinulla on sata-liittimet. Irrota ja laita takaisin ne kuitenkin muutaman kerran, eihän sitä tiedä.

    Jos ei auta ja ylikuumentuminen ja virtalähde on varmasti poisluettu, niin seuraavaksi: onko kiintolevyillä tarpeeksi tilaa? Siitäkin kyllä pitäisi tulla jotain varoitusilmoituksia, jos niitä ei ole kytketty pois jostain syystä. Kiintolevyihin mielestäni viittaa sekin, kone ei pysty enää operoimaan, vaan lätkii siksi noita merkkejä lokiin.

    Jos tilaa on, niin kiintolevyn vioittumista veikkaisin ja niistä seagatea. Se lienee vanhempikin levyistä. Onko siinä dataa vai järjestelmä? Kokeile kuitenkin ottaa toinen levy pois ja katsoa mitä seuraa.

    Onko biosissa S.M.A.R.T ohjelma päällä? Se monitoroi onko levy kunnossa ja pitäisi ilmoittaa herjoja ainakin käynnistettäessä. Jos niitä ei tule, niin se ei välttämättä sulje pois kiintolevyjä. Nettijuttujen mukaan smart ei toimi satavarmasti luotettavasti.

    Levyjä voi myös ajaa sopivilla testiohjelmilla kuten smartmontools. Googlaamalla löytynee lisää levyntestausmenetelmiä.

    On emolevyjäkin hajonnut itsestään. Joku konkka kuivahtaa ja se on siinä. Emolevyn (ja kiintolevyjenkin) testaus voi onnistua asentamalla levyt toiseen koneeseesi tilapäisesti. Toisen koneen omat levyt otat tietysti pois siksi aikaa. Jos tilttaa, niin sormi osoittaa kiintolevyjä. Usein kiintolevyjen laitto toiseen levyyn menee heittämällä. Itse teen niin, kun matkustan, kannan vain kiintolevyt ja muistipalikat mukana ja laitan ne toiseen levyyn. Hyvin pyörii. Tosin ovat saman firman levyjä (Asrock ja Asus).

  2. Rolle

    1) Irroittelin ja laittelin uudestaan tuossa SATA-liittimiä jo, ei tuntunut olevan vaikutusta

    2) Vaihdoin virtalähteen kyllä, mutta tuo toinen on melkein yhtä vanha ja riittääköhän 350W enää varsinkin kun nykyään streamailen musiikkia ja videoita serveriltä suoraan?

    3) SMART on päällä. Ajoin smartctl pikatestit ja näyttäisi PASSED molemmille levyille.

    Tällä levyllä on järjestelmä:

    [14:26:46] peikko rolle # smartctl -a /dev/sda
    smartctl 6.2 2013-07-26 r3841 [i686-linux-3.11.6-4-default] (SUSE RPM)
    Copyright (C) 2002-13, Bruce Allen, Christian Franke, www.smartmontools.org
    
    === START OF INFORMATION SECTION ===
    Model Family:     Seagate Barracuda 7200.12
    Device Model:     ST3500418AS
    Serial Number:    9VM2YMDA
    LU WWN Device Id: 5 000c50 015a6a518
    Firmware Version: CC35
    User Capacity:    500 107 862 016 bytes [500 GB]
    Sector Size:      512 bytes logical/physical
    Rotation Rate:    7200 rpm
    Device is:        In smartctl database [for details use: -P show]
    ATA Version is:   ATA8-ACS T13/1699-D revision 4
    SATA Version is:  SATA 2.6, 3.0 Gb/s
    Local Time is:    Sun Dec 29 14:26:49 2013 EET
    
    ==> WARNING: A firmware update for this drive may be available,
    see the following Seagate web pages:
    http://knowledge.seagate.com/articles/en_US/FAQ/207931en
    http://knowledge.seagate.com/articles/en_US/FAQ/213891en
    
    SMART support is: Available - device has SMART capability.
    SMART support is: Enabled
    
    === START OF READ SMART DATA SECTION ===
    SMART overall-health self-assessment test result: PASSED
    
    General SMART Values:
    Offline data collection status:  (0x82) Offline data collection activity
                                            was completed without error.
                                            Auto Offline Data Collection: Enabled.
    Self-test execution status:      (   0) The previous self-test routine completed
                                            without error or no self-test has ever
                                            been run.
    Total time to complete Offline
    data collection:                (  600) seconds.
    Offline data collection
    capabilities:                    (0x7b) SMART execute Offline immediate.
                                            Auto Offline data collection on/off support.
                                            Suspend Offline collection upon new
                                            command.
                                            Offline surface scan supported.
                                            Self-test supported.
                                            Conveyance Self-test supported.
                                            Selective Self-test supported.
    SMART capabilities:            (0x0003) Saves SMART data before entering
                                            power-saving mode.
                                            Supports SMART auto save timer.
    Error logging capability:        (0x01) Error logging supported.
                                            General Purpose Logging supported.
    Short self-test routine
    recommended polling time:        (   1) minutes.
    Extended self-test routine
    recommended polling time:        (  96) minutes.
    Conveyance self-test routine
    recommended polling time:        (   2) minutes.
    SCT capabilities:              (0x103f) SCT Status supported.
                                            SCT Error Recovery Control supported.
                                            SCT Feature Control supported.
                                            SCT Data Table supported.
    
    SMART Attributes Data Structure revision number: 10
    Vendor Specific SMART Attributes with Thresholds:
    ID# ATTRIBUTE_NAME          FLAG     VALUE WORST THRESH TYPE      UPDATED  WHEN_FAILED RAW_VALUE
      1 Raw_Read_Error_Rate     0x000f   118   099   006    Pre-fail  Always       -       180411136
      3 Spin_Up_Time            0x0003   097   097   000    Pre-fail  Always       -       0
      4 Start_Stop_Count        0x0032   100   100   020    Old_age   Always       -       118
      5 Reallocated_Sector_Ct   0x0033   100   100   036    Pre-fail  Always       -       0
      7 Seek_Error_Rate         0x000f   087   060   030    Pre-fail  Always       -       618485709
      9 Power_On_Hours          0x0032   058   058   000    Old_age   Always       -       37539
     10 Spin_Retry_Count        0x0013   100   100   097    Pre-fail  Always       -       0
     12 Power_Cycle_Count       0x0032   100   100   020    Old_age   Always       -       59
    183 Runtime_Bad_Block       0x0032   100   100   000    Old_age   Always       -       0
    184 End-to-End_Error        0x0032   100   100   099    Old_age   Always       -       0
    187 Reported_Uncorrect      0x0032   100   100   000    Old_age   Always       -       0
    188 Command_Timeout         0x0032   100   098   000    Old_age   Always       -       293
    189 High_Fly_Writes         0x003a   100   100   000    Old_age   Always       -       0
    190 Airflow_Temperature_Cel 0x0022   062   052   045    Old_age   Always       -       38 (Min/Max 30/40)
    194 Temperature_Celsius     0x0022   038   048   000    Old_age   Always       -       38 (0 18 0 0 0)
    195 Hardware_ECC_Recovered  0x001a   038   022   000    Old_age   Always       -       180411136
    197 Current_Pending_Sector  0x0012   100   100   000    Old_age   Always       -       0
    198 Offline_Uncorrectable   0x0010   100   100   000    Old_age   Offline      -       0
    199 UDMA_CRC_Error_Count    0x003e   200   200   000    Old_age   Always       -       0
    240 Head_Flying_Hours       0x0000   100   253   000    Old_age   Offline      -       184365766185775
    241 Total_LBAs_Written      0x0000   100   253   000    Old_age   Offline      -       108355513
    242 Total_LBAs_Read         0x0000   100   253   000    Old_age   Offline      -       3382891613
    
    SMART Error Log Version: 1
    No Errors Logged
    
    SMART Self-test log structure revision number 1
    Num  Test_Description    Status                  Remaining  LifeTime(hours)  LBA_of_first_error
    # 1  Short offline       Completed without error       00%     37539         -
    
    SMART Selective self-test log data structure revision number 1
     SPAN  MIN_LBA  MAX_LBA  CURRENT_TEST_STATUS
        1        0        0  Not_testing
        2        0        0  Not_testing
        3        0        0  Not_testing
        4        0        0  Not_testing
        5        0        0  Not_testing
    Selective self-test flags (0x0):
      After scanning selected spans, do NOT read-scan remainder of disk.
    If Selective self-test is pending on power-up, resume after 0 minute delay.
    

    Tällä levyllä on dataa:

    [14:26:49] peikko rolle # smartctl -a /dev/sdb
    smartctl 6.2 2013-07-26 r3841 [i686-linux-3.11.6-4-default] (SUSE RPM)
    Copyright (C) 2002-13, Bruce Allen, Christian Franke, www.smartmontools.org
    
    === START OF INFORMATION SECTION ===
    Model Family:     Western Digital Caviar Green (AF)
    Device Model:     WDC WD10EARS-00Y5B1
    Serial Number:    WD-WMAV51004314
    LU WWN Device Id: 5 0014ee 0573742cd
    Firmware Version: 80.00A80
    User Capacity:    1 000 204 886 016 bytes [1,00 TB]
    Sector Size:      512 bytes logical/physical
    Device is:        In smartctl database [for details use: -P show]
    ATA Version is:   ATA8-ACS (minor revision not indicated)
    SATA Version is:  SATA 2.6, 3.0 Gb/s
    Local Time is:    Sun Dec 29 14:26:52 2013 EET
    SMART support is: Available - device has SMART capability.
    SMART support is: Enabled
    
    === START OF READ SMART DATA SECTION ===
    SMART overall-health self-assessment test result: PASSED
    
    General SMART Values:
    Offline data collection status:  (0x85) Offline data collection activity
                                            was aborted by an interrupting command from host.
                                            Auto Offline Data Collection: Enabled.
    Self-test execution status:      (   0) The previous self-test routine completed
                                            without error or no self-test has ever
                                            been run.
    Total time to complete Offline
    data collection:                (19380) seconds.
    Offline data collection
    capabilities:                    (0x7b) SMART execute Offline immediate.
                                            Auto Offline data collection on/off support.
                                            Suspend Offline collection upon new
                                            command.
                                            Offline surface scan supported.
                                            Self-test supported.
                                            Conveyance Self-test supported.
                                            Selective Self-test supported.
    SMART capabilities:            (0x0003) Saves SMART data before entering
                                            power-saving mode.
                                            Supports SMART auto save timer.
    Error logging capability:        (0x01) Error logging supported.
                                            General Purpose Logging supported.
    Short self-test routine
    recommended polling time:        (   2) minutes.
    Extended self-test routine
    recommended polling time:        ( 223) minutes.
    Conveyance self-test routine
    recommended polling time:        (   5) minutes.
    SCT capabilities:              (0x3031) SCT Status supported.
                                            SCT Feature Control supported.
                                            SCT Data Table supported.
    
    SMART Attributes Data Structure revision number: 16
    Vendor Specific SMART Attributes with Thresholds:
    ID# ATTRIBUTE_NAME          FLAG     VALUE WORST THRESH TYPE      UPDATED  WHEN_FAILED RAW_VALUE
      1 Raw_Read_Error_Rate     0x002f   200   200   051    Pre-fail  Always       -       0
      3 Spin_Up_Time            0x0027   130   130   021    Pre-fail  Always       -       6466
      4 Start_Stop_Count        0x0032   100   100   000    Old_age   Always       -       41
      5 Reallocated_Sector_Ct   0x0033   200   200   140    Pre-fail  Always       -       0
      7 Seek_Error_Rate         0x002e   200   200   000    Old_age   Always       -       0
      9 Power_On_Hours          0x0032   054   054   000    Old_age   Always       -       34081
     10 Spin_Retry_Count        0x0032   100   253   000    Old_age   Always       -       0
     11 Calibration_Retry_Count 0x0032   100   253   000    Old_age   Always       -       0
     12 Power_Cycle_Count       0x0032   100   100   000    Old_age   Always       -       40
    192 Power-Off_Retract_Count 0x0032   200   200   000    Old_age   Always       -       27
    193 Load_Cycle_Count        0x0032   001   001   000    Old_age   Always       -       604787
    194 Temperature_Celsius     0x0022   106   098   000    Old_age   Always       -       41
    196 Reallocated_Event_Count 0x0032   200   200   000    Old_age   Always       -       0
    197 Current_Pending_Sector  0x0032   200   200   000    Old_age   Always       -       3
    198 Offline_Uncorrectable   0x0030   200   200   000    Old_age   Offline      -       6
    199 UDMA_CRC_Error_Count    0x0032   200   200   000    Old_age   Always       -       0
    200 Multi_Zone_Error_Rate   0x0008   200   200   000    Old_age   Offline      -       6
    
    SMART Error Log Version: 1
    No Errors Logged
    
    SMART Self-test log structure revision number 1
    Num  Test_Description    Status                  Remaining  LifeTime(hours)  LBA_of_first_error
    # 1  Short offline       Completed without error       00%     34081         -
    
    SMART Selective self-test log data structure revision number 1
     SPAN  MIN_LBA  MAX_LBA  CURRENT_TEST_STATUS
        1        0        0  Not_testing
        2        0        0  Not_testing
        3        0        0  Not_testing
        4        0        0  Not_testing
        5        0        0  Not_testing
    Selective self-test flags (0x0):
      After scanning selected spans, do NOT read-scan remainder of disk.
    If Selective self-test is pending on power-up, resume after 0 minute delay.
    

    Molemmat ovat testailun tuloksen perusteella ihan kunnossa. Sitä paitsi viimeksi jopa ENNEN kun kovoni hajosivat tuli logiin aika paljon erroria. Ajoin myös seagaten levylle valmistajan oman SeaToolsin eli st-komennon testit ja meni kyllä läpi heittämällä.

    Muistit testasin memtesterillä ja siinäkään ei tullut muuta kuin OK:ta.

    Prosessoria ei lienee syytä epäillä? Jäljelle jää

    – Ylikuumeneminen
    – Emolevy

    Ja ehkä jotain muuta, mutta kovot ja muistit näyttävät näiden tietojen valossa aika epätodennäköiseltä. Tilaa on ja quota sanoo seuraavaa:

    [14:34:36] [42.0°C] rolle ~ $ quota
    Tiedostojärjestelmä 1G-blocks  Käyt Vapaana Käy% Liitospiste
    /dev/sda5                 20G   15G      4G  81% /
    devtmpfs                   1G    1G      1G   1% /dev
    tmpfs                      1G    1G      1G   1% /dev/shm
    tmpfs                      1G    1G      1G   1% /run
    tmpfs                      1G    0G      1G   0% /sys/fs/cgroup
    tmpfs                      1G    1G      1G   1% /var/lock
    tmpfs                      1G    1G      1G   1% /var/run
    /dev/sda6                384G  373G     11G  98% /home
    /dev/sdb1                917G  529G    342G  61% /media/Nalle
    

    Ja jos tila loppuu, huomaan sen kyllä heti, komentorivi herjaa joka painalluksella, sillä mulla on scriptejä joiden täytyy pystyä kirjoittamaan edes sen alle 1KB dataa.

  3. Pete

    Eikö olisi helpointa vain vaihtaa serveri uuteen ja entistä parempaan? Nyt on hyvä syy. ;-)

  4. Rolle

    Itse asiassa taisin löytää jo ratkaisun. Päivitin peikon MOTDiin tiedot. Prossun jäähy taitaa olla viallinen. Lämmöt pysyneet nyt hanskassa kun karsin prosessoria kuormittavia prosesseja pois. Kaksi vuorokautta nyt putkeen pystyssä. :)