NVMe 掉盘排查是什么
NVMe 盘突然从系统消失，原因往往不在盘体本身，而集中在散热、供电、PCIe 链路与固件四个方面。排查顺序建议从内核日志出发，先确认控制器是否发生复位或超时，再看链路速率与错误计数，随后确认温度与平台固件配置，最后才判断是否需要换盘。按这个顺序走，可以避免把链路问题当成盘体故障处理。
证据收集
证据收集
dmesg -T | grep -i -E "nvme|aer|pcie" | tail -50 # 内核日志
dmesg -T | grep -i -E "reset|timeout" | tail -20 # 复位与超时
lspci -vv -s 01:00.0 | grep -i -E "LnkSta|LnkCap|CESta" # 链路状态与错误
nvme smart-log /dev/nvme0 | grep -i -E "temperature|critical" # 温度与告警位
nvme error-log /dev/nvme0 | head -40 # 设备侧错误日志四条排查线索
- 内核日志：控制器复位、命令超时、AER 报错的时间点与频次
- 链路状态：LnkSta 是否降速降宽，可纠正与不可纠正错误计数是否增长
- 温度：是否触发热节流或保护性关机，机箱风道与散热片是否正常
- 固件与驱动：厂商发布说明中的已知问题与建议版本
常见原因与验证
| 原因 | 验证方式 | 处置方向 |
|---|---|---|
| 散热不足 | 对比温度与负载关系，检查风道 | 改善散热或限制负载 |
| 供电异常 | 核对电源与转接卡供电情况 | 更换转接卡或调整供电 |
| 链路降速或错误 | 查看 Link 状态与错误计数 | 换插槽或换转接卡验证 |
| 固件缺陷 | 对照厂商发布说明 | 按建议版本升级 |
| 盘体故障 | 查看健康日志与介质错误 | 按流程更换 |
典型使用场景
- 业务中断：盘消失导致上层文件系统只读或报错时按序取证
- 批量机型：同型号多台出现同类问题时优先核对固件与平台配置
- 扩容后异常：新增盘或转接卡后出现掉盘，优先怀疑链路与供电
- 性能异常：吞吐低于预期时确认是否发生链路降速
- 交付验收：装机后核对链路速率与固件版本是否符合设计
整机重启后才复现的 NVMe 问题，优先核对平台固件版本与存储模式配置，其次才是怀疑盘体。
平台存储模式切换会改变盘对操作系统的呈现方式，涉及数据盘时切换前必须先确认数据可达性，避免切换后系统看不到原有阵列。
常见疑问
- 换盘后仍掉线：说明问题可能在链路、供电或平台配置，继续按序排查
- 温度正常也会掉盘：链路与固件问题同样可能造成掉盘，需看内核日志
- 能否在线恢复：部分情况下重新扫描总线即可恢复，但应先在日志中留证