2025年NVMe子系统故障预测

[编号ODCC2505002]NVMe子系统故障预测一 健 康 度 指 标 行 业 标 准 草 案2 0 2 5 年 9 月前言随着数据中心规模的快速扩张和业务对存储可靠性要求的不断提升，NVMe SSD 作为关键存储组件，其健康状态监控和故障预测已成为保障数据安全和系统稳定运行的重要环节。传统的存储设备监控往往局限于单一硬件层面的指标，缺乏对整个 NVMe 子系统的综合评估能力。为了填补这一空白，本标准草案由美团发起，联合ODCC、小红书等业界领先企业，以及忆恒、大普、忆联、华为、佰维等主流 SSD 厂商，共同制定了一套全面的 NVMe 子系统健康度评估体系。本标准的核心创新在于将评估范围从单纯的 NVMe SSD 扩展到整个子系统，涵盖了 NVMe SSD、硬盘背板、线缆、主板、CPU、BMC、BIOS 等所有相关软硬件组件。通过整合标准 SMART 属性、遥测日志、持久事件日志等多维度数据源，建立了 1-5 分的量化健康度评分机制，并创新性地引入了 IO 延时分布和数据块大小分布的24 小时窗口监控。该标准不仅为数据中心运维人员提供了统一的故障预测工具，更为 SSD 厂商和系统集成商提供了标准化的健康度指标实施框架，推动整个行业向更加智能化、预防性的运维模式转变。目录一、 适用范围 ...................................................... 1二、 规范性引用文件 ................................................ 2三、 术语、定义和缩略语 ............................................ 3四、 健康度指标定义 ................................................ 9五、 健康度指标计算 ............................................... 241.理论公式 .....................................................242.详细指标 ......................................................1六、 实施与应用建议 ................................................ 1七、 IO 延时分布和数据块大小分布（24h窗口） ........................ 2八、 未来展望 ...................................................... 7NVMe 子系统故障预测-健康度指标行业标准草案（ODCC2505002）1随着数据中心规模快速扩张，NVMe SSD 作为关键存储组件，其健康状态监控和故障预测已成为保障数据安全的重要环节。本标准草案建立了涵盖 NVMe 子系统的 1-5 分量化健康度评估体系，推动行业向智能化预防性运维转变。一、适用范围本草案规定了 NVMe 子系统健康度指标的定义、评分标准、指标值以及相关日志的存储位置和判定依据。其目的在于通过 NVMeSSD 作为媒介，对 NVMe 子系统所处环境的健康状态进行预测和指示，为行业提供参考标准。最终目标是实现对 NVMe 子系统（包括NVMe SSD）的全面健康度评估与潜在故障预测，从而提升数据中心系统的数据安全性，并增强其可靠性和可维护性。本标准适用于配备NVMe SSD 的各类数据中心服务器。总体目标：基于行业通用标准，如 OCP 的 Telemetry Log、Smart-log、Smart-log-add 及其他相关日志，提取与 NVMe 子系统健康度密切相关的指标，进行分类与评估，最终定义 1-5 分的健康度等级。健康度值存放于 NVMe SSD 日志页 (log page) 的一个字节中；同时，Telemetry Log 的用户自定义区域保存 IO 延时分布统计和 IO数据块分布统计，并要求以明文输出，以便进行业务层面的整体 IO特性分析。无论通过带内还是带外接口，均可获取该健康度指标，方便运维和故障判定。NVMe 子系统故障预测-健康度指标行业标准草案（ODCC2505002）2二、规范性引用文件本标准参考并引用了以下行业标准及相关技术文档，用于定义NVMe 子系统健康度指标、日志结构和评分模型：1. NVM Express 官方标准（NVM Express Specifications 1.4/2.0）oSMART/Health Information Log Page（Log Identifier 02h 和Vendor Unique E4h）：用于存储标准健康信息及扩展健康度指标。oTelemetry Log Pages（LID 07h/08h）：包括主机发起和控制器发起的遥测日志页，用于记录 SSD 的运行状态、错误和健康信息。oPersistent Event Log Page：记录 SSD 的错误、警告及信息事件，保证断电后仍能追踪故障历史。oCritical Warning Fields：参考 NVMe 控制器状态寄存器中的关键告警位定义，用于快速识别严重健康问题。oFeature Specific Logs：引用特性日志页的结构和功能，例如固件槽位信息、命令支持与执行效果等。2. OCP NVMe SSD 规范（OCP NVMe SSD Specification）oSMART 扩展日志（SMART Extended Logs, Log PageIdentifier C0h）：引用 OCP 扩展字段，用于 PCIe 错误计数、链路重训练次数及相关链路健康度分析。NVMe 子系统故障预测-健康度指标行业标准草案（ODCC2505002）3oTelemetry Log 扩展机制：借鉴 OCP Telemetry 规范，扩展NVMe Telemetry Log 的字段定义，用于实现 IO 延时分布及 IO 数据块分布的可视化与诊断。3. SMART 技术标准（Self-Monitoring, Analysis, and ReportingTechnology）o引用了标准 SMART 属性，如 Available Spare、PercentageUsed、Temperature、Controller Busy Time、Unsafe Shutdowns等关键健康指标，作为健康度打分的基础参数。4. 供应商特定日志（Vendor-Specific Logs）o使用 NVMe 规范预留的厂商自定义日志区间（LogIdentifier ECh、EDh 等）存放 IO 延时分布统计和 IO 数据块分布统计，为业务特性分析和性能优化提供数据支持。5. Memblaze 和忆联厂商技术文档o参考了 Memblaze 与 忆联（Memblaze & Union Memory）关于 IO 延时分布统计 和 IO 数据块分布统计的设计方案，结合其最佳实践，完善了健康度指标中关于 IO 特性记录和分析的