【長文+圖片】HP FC MSA2000服務(wù)器癱瘓數(shù)據(jù)恢復(fù)過程

服務(wù)器數(shù)據(jù)恢復(fù)故障描述

某公司的一臺(tái)HP FC MSA2000服務(wù)器，服務(wù)器中搭建RAID5陣列，服務(wù)器正常使用過程中出現(xiàn)2塊硬盤損壞并離線，而此時(shí)只有一塊熱備盤成功激活，因此導(dǎo)致RAID5陣列癱瘓，上層LUN無法正常使用，用戶聯(lián)系數(shù)據(jù)恢復(fù)中心進(jìn)行服務(wù)器數(shù)據(jù)恢復(fù)。
由于服務(wù)器存儲(chǔ)是因?yàn)镽AID陣列中某些磁盤掉線，從而導(dǎo)致整個(gè)存儲(chǔ)不可用。因此接收到磁盤以后先對所有磁盤做物理檢測，檢測完后發(fā)現(xiàn)沒有物理故障。接著使用壞道檢測工具檢測磁盤壞道，發(fā)現(xiàn)也沒有壞道。

服務(wù)器數(shù)據(jù)恢復(fù)過程：

1、備份服務(wù)器數(shù)據(jù)
考慮到數(shù)據(jù)的安全性以及可還原性，在做數(shù)據(jù)恢復(fù)之前需要對所有源數(shù)據(jù)做備份，以防萬一其他原因?qū)е聰?shù)據(jù)無法再次恢復(fù)。使用dd命令或winhex工具將所有磁盤都鏡像成文件。備份完部分?jǐn)?shù)據(jù)如下圖：
圖一：

2、分析服務(wù)器故障原因
由于前兩個(gè)步驟并沒有檢測到磁盤有物理故障或者是壞道，由此推斷可能是由于某些磁盤讀寫不穩(wěn)定導(dǎo)致故障發(fā)生。因?yàn)镠P MSA2000控制器檢查磁盤的策略很嚴(yán)格，一旦某些磁盤性能不穩(wěn)定，HP MSA2000控制器就認(rèn)為是壞盤，就將認(rèn)為是壞盤的磁盤踢出RAID組。而一旦RAID組中掉線的盤到達(dá)到RAID級別允許掉盤的極限，那么這個(gè)RAID組將變的不可用，上層基于RAID組的LUN也將變的不可用。目前初步了解的情況為基于RAID組的LUN有6個(gè)，均分配給HP-Unix小機(jī)使用，上層做的LVM邏輯卷，重要數(shù)據(jù)為Oracle數(shù)據(jù)庫及OA服務(wù)端。
3、分析服務(wù)器RAID組結(jié)構(gòu)
HP MSA2000存儲(chǔ)的LUN都是基于RAID組的，因此需要先分析底層RAID組的信息，然后根據(jù)分析的信息重構(gòu)原始的RAID組。分析每一塊數(shù)據(jù)盤，發(fā)現(xiàn)4號盤的數(shù)據(jù)同其它數(shù)據(jù)盤不太一樣，初步認(rèn)為可能是hot Spare盤。接著分析其他數(shù)據(jù)盤，分析Oracle數(shù)據(jù)庫頁在每個(gè)磁盤中分布的情況，并根據(jù)數(shù)據(jù)分布的情況得出RAID組的條帶大小，磁盤順序及數(shù)據(jù)走向等RAID組的重要信息。
4、分析RAID組掉線盤
根據(jù)上述分析的RAID信息，嘗試通過北亞自主開發(fā)的RAID虛擬程序?qū)⒃嫉腞AID組虛擬出來。但由于整個(gè)RAID組中一共掉線兩塊盤，因此需要分析這兩塊硬盤掉線的順序。仔細(xì)分析每一塊硬盤中的數(shù)據(jù)，發(fā)現(xiàn)有一塊硬盤在同一個(gè)條帶上的數(shù)據(jù)和其他硬盤明顯不一樣，因此初步判斷此硬盤可能是最先掉線的，通過北亞自主開發(fā)的RAID校驗(yàn)程序?qū)@個(gè)條帶做校驗(yàn)，發(fā)現(xiàn)除掉剛才分析的那塊硬盤得出的數(shù)據(jù)是最好的，因此可以明確最先掉線的硬盤了。
5、分析RAID組中的LUN信息
由于LUN是基于RAID組的，因此需要根據(jù)上述分析的信息將RAID組最新的狀態(tài)虛擬出來。然后分析LUN在RAID組中的分配情況，以及LUN分配的數(shù)據(jù)塊MAP。由于底層有6個(gè)LUN，因此只需要將每一個(gè)LUN的數(shù)據(jù)塊分布MAP提取出來。然后針對這些信息編寫相應(yīng)的程序，對所有LUN的數(shù)據(jù)MAP做解析，然后根據(jù)數(shù)據(jù)MAP并導(dǎo)出所有LUN的數(shù)據(jù)。
圖二：

6、解析LVM邏輯卷
分析生成出來的所有LUN，發(fā)現(xiàn)所有LUN中均包含HP-Unix的LVM邏輯卷信息。嘗試解析每個(gè)LUN中的LVM信息，發(fā)現(xiàn)其中一共有三套LVM，其中45G的LVM中劃分了一個(gè)LV，里面存放OA服務(wù)器端的數(shù)據(jù)，190G的LVM中劃分了一個(gè)LV，里面存放臨時(shí)備份數(shù)據(jù)。剩余4個(gè)LUN組成一個(gè)2.1T左右的LVM，也只劃分了一個(gè)LV，里面存放Oracle數(shù)據(jù)庫文件。編寫解釋LVM的程序，嘗試將每套LVM中的LV卷都解釋出來，但發(fā)現(xiàn)解釋程序出錯(cuò)。
7、修復(fù)LVM邏輯卷
仔細(xì)分析程序報(bào)錯(cuò)的原因，安排開發(fā)工程師debug程序出錯(cuò)的位置，并同時(shí)安排高級文件系統(tǒng)工程師對恢復(fù)的LUN做檢測，檢測LVM信息是否會(huì)因存儲(chǔ)癱瘓導(dǎo)致LMV邏輯卷的信息損壞。經(jīng)過仔細(xì)檢測，發(fā)現(xiàn)確實(shí)因?yàn)榇鎯?chǔ)癱瘓導(dǎo)致LVM信息損壞。嘗試人工對損壞的區(qū)域進(jìn)行修復(fù)，并同步修改程序，重新解析LVM邏輯卷。
8、解析VXFS文件系統(tǒng)
搭建HP-Unix環(huán)境，將解釋出來的LV卷映射到HP-Unix，并嘗試Mount文件系統(tǒng)。結(jié)果Mount文件系統(tǒng)出錯(cuò)，嘗試使用“fsck –F vxfs” 命令修復(fù)vxfs文件系統(tǒng)，但修復(fù)結(jié)果還是不能掛載，懷疑底層vxfs文件系統(tǒng)的部分元數(shù)據(jù)可能破壞，需要進(jìn)行手工修復(fù)。
9、修復(fù)VXFS文件系統(tǒng)
仔細(xì)分析解析出來的LV，并根據(jù)VXFS文件系統(tǒng)的底層結(jié)構(gòu)校驗(yàn)此文件系統(tǒng)是否完整。分析發(fā)現(xiàn)底層VXFS文件系統(tǒng)果然有問題，原來當(dāng)時(shí)存儲(chǔ)癱瘓的同時(shí)此文件在系統(tǒng)正在執(zhí)行IO操作，因此導(dǎo)致部分文件系統(tǒng)元文件沒有更新以及損壞。人工對這些損壞的元文件進(jìn)行手工修復(fù)，保證VXFS文件系統(tǒng)能夠正常解析。再次將修復(fù)好的LV卷掛載到HP-Unix小機(jī)上，嘗試Mount文件系統(tǒng)，文件系統(tǒng)沒有報(bào)錯(cuò)，成功掛載。
10、恢復(fù)所有用戶文件
在HP-Unix機(jī)器上mount文件系統(tǒng)后，將所有用戶數(shù)據(jù)均備份至指定磁盤空間。所有用戶數(shù)據(jù)大小在1.2TB左右。部分文件目錄截圖如下：
圖三：

11、檢測數(shù)據(jù)庫文件是否完整
使用Oracle數(shù)據(jù)庫文件檢測工具“dbv”檢測每個(gè)數(shù)據(jù)庫文件是否完整，發(fā)現(xiàn)并沒有錯(cuò)誤。再使用北亞自主研發(fā)的Oracle數(shù)據(jù)庫檢測工具（檢驗(yàn)更嚴(yán)格），發(fā)現(xiàn)有部分?jǐn)?shù)據(jù)庫文件和日志文件校驗(yàn)不一致，安排高級數(shù)據(jù)庫工程師對此類文件進(jìn)行修復(fù)，并在次校驗(yàn)，直到所有文件校驗(yàn)均完全通過。
12、啟動(dòng)Oracle數(shù)據(jù)庫
由于我們提供的HP-Unix環(huán)境沒有此版本的Oracle數(shù)據(jù)，因此和用戶協(xié)調(diào)將原始生成環(huán)境帶至數(shù)據(jù)恢復(fù)中心，然后將恢復(fù)的Oracle數(shù)據(jù)庫附加到原始生產(chǎn)環(huán)境的HP-Unix服務(wù)器中，嘗試啟動(dòng)Oracle數(shù)據(jù)庫，Oracle數(shù)據(jù)庫啟動(dòng)成功。部分截圖如下：
圖四：

13、服務(wù)器數(shù)據(jù)驗(yàn)證
由用戶方配合，啟動(dòng)Oracle數(shù)據(jù)庫，啟動(dòng)OA服務(wù)端，在本地筆記本安裝OA客戶端。通過OA客戶端對最新的數(shù)據(jù)記錄以及歷史數(shù)據(jù)記錄進(jìn)行驗(yàn)證，并且有用戶安排遠(yuǎn)程不同部門人員進(jìn)行遠(yuǎn)程驗(yàn)證。最終數(shù)據(jù)驗(yàn)證無誤，數(shù)據(jù)完整，數(shù)據(jù)恢復(fù)成功。
由于故障發(fā)生后保存現(xiàn)場環(huán)境良好，沒用做相關(guān)危險(xiǎn)的操作，對后期的數(shù)據(jù)恢復(fù)有很大的幫助。整個(gè)數(shù)據(jù)恢復(fù)過程中雖然遇到好多技術(shù)瓶頸，但也都一一解決。最終在預(yù)期的時(shí)間內(nèi)完成整個(gè)服務(wù)器數(shù)據(jù)恢復(fù)，恢復(fù)的數(shù)據(jù)用戶方也相當(dāng)滿意，Oracle數(shù)據(jù)庫服務(wù)，OA服務(wù)端等所有服務(wù)能夠正常啟動(dòng)。