RAID 设备上的单位错误？

Question

自从我拥有一台 PC（30 年）以来，我第一次遇到了未检测到、未更正的单位磁盘错误。在 RAID 阵列中。事件的顺序是

1. 从 CF 卡上传一组数字图像（Camera Raw 文件）
2. 在 Lightroom 中进行一些编辑（不会更新原始文件）
3. 将所有内容备份到外部存档磁盘（使用 Retrospect）
   ...时间过去了（大约 1 周）...
4. 在 Lightroom 中再次打开文件 - 它已损坏（一个大的方形洋红色斑点）
5. 从存档磁盘还原副本 - 还原的副本未损坏
6. 比较两个文件。只有一个位差异......最初是 0x34 的字节现在是 0xB4

在线设备是硬件RAID 卡 (3WARE 9560SE-4LPML)上 RAID-1 中的一对 2TB 驱动器。

鉴于上述顺序，由于存档副本未损坏，因此在第 3 步之后的某个时间显然会引入该错误，因此它不可能在原始写入期间发生。该文件是佳能 CR2 原始文件，Lightroom 从不更新原始 RAW 文件，它们被视为“数字底片”并且从不更新。相反，它将所有编辑保存为包含应用的编辑序列的 sidecar XMP 文件。文件日期/时间未修改原始文件。

显然，位错误以某种方式发生并由 RAID 硬件传播而没有产生警告。我检查了 RAID 错误日志，过去 18 个月没有任何值得注意的事情（自从我上次升级软件和固件以来）。

总结一下：

1. 数据最初是正确写入的
2. 然后当它被复制到备份时被正确读取。
3. 在那之后的某个时间，该位在磁盘上被翻转（因为没有任何内容重写了文件）。
4. RAID 硬件设置为每周运行一次“验证”。它没有检测到错误。

这简直太离谱了。我预计 RAID 硬件日志中会出现错误比较错误。

此外，我可以排除故障磁盘，因为两个驱动器上的 SMART 数据对于所有适用的错误属性都显示为零：

196 Reallocated_Event_Count 0x0032   100   100   000    Old_age   Always       -       0
197 Current_Pending_Sector  0x0022   100   100   000    Old_age   Always       -       0
198 Offline_Uncorrectable   0x0008   100   100   000    Old_age   Offline      -       0
199 UDMA_CRC_Error_Count    0x000a   200   200   000    Old_age   Always       -       0

其他一切也都是名义上的。

任何人都有这样一种情况，在这种情况下会发生而未被发现？

Answer 1

一种可能性是 RAM 中的随机位翻转或第 4 步中读取的控制器。如果数据在读取时损坏，那么您将在第 4 步中看到它，然后如果它仍然被缓存，您也会在第 6 步比较时看到它文件，因为可能仍会使用损坏的缓存数据。

要测试这种情况，请重启所有硬件以确保清除缓存并再次尝试打开文件（并与备份运行比较）。如果一切顺利，那么这就是问题所在（无法知道位翻转发生在读取的哪个阶段，因此您只需将其作为未解之谜就可以解决）。^†

如果做不到这一点，第二个甚至更不幸的可能性可能是随机 RAM（或者更可能在 RAID 控制器上，根据您的描述）在步骤 1 中写入时发生位翻转；但是，尽管磁盘上存在损坏的副本，但您在第 2 步和第 3 步中对一个良好的缓存副本进行了操作。一周后，当你再次访问数据时，你当然从磁盘重新读取它，结果是原来写入的损坏数据。这做出了许多假设，并依赖于一点运气。如果是这种情况，您只需恢复备份文件并继续。

这是我唯一能想到的两件事，真的。这听起来不像是驱动器本身的问题。在任何情况下，由于无法确定错误发生在硬件中的哪个位置，我建议运行全内存诊断以确保安全，尽管原因更有可能是不幸的 EMI 或宇宙射线。正如加拿大卢克在他的回答中提到的，ECC RAM，如果您的主板支持它，将防止这种类型的事件，至少在 RAM 方面。这实际上并不少见。

^{†这种情况最终成为 OP 的问题，而不是第二种可能性。}