我差点把这颗 SSD 送修——真正坏的是 SATA 数据线

所有存储指南都告诉你：先看 SMART，再信事件日志。我也照做了，两者都指向同一个结论：这颗 SSD 要死了。而我距离把一颗健康硬盘送去 RMA 只差一步。

2026 年 9 月，一颗 Seagate IronWolf 110 960 GB SATA SSD——SMART 全绿、寿命约 99%、重映射扇区为零——反复在 btrfs mkfs 时失败，后来干脆连读都不回。内核日志里堆满了 WRITE FPDMA QUEUED 超时、NCQ disabled due to excessive errors、lost async page write。最后一次 mkfs 打印出 superblock 后，回读失败了。

只有一件事救了这颗盘：在判它死刑之前，我换了根 SATA 数据线。

为什么这很重要

一根有问题的 SATA 口或线材，会产生和坏盘一模一样的症状，而且 SMART 全程保持漂亮。线材故障发生在链路层——传输出错超时，内存在你的文件系统或 SMART 看到任何错误字节之前，就把这次 I/O 丢了。只靠 SMART 判断，你会冤枉健康硬件、发起一趟无意义的 RMA，而换上的新盘在同一根线上照样坏。

那些”盘要死了”的症状

这是一颗独立的 Seagate IronWolf 110（ZA960NM10001，企业级 SATA SSD，约 894 GiB），我准备把它加进 Unraid 缓存池。三件事陆续发生，全都很像坏盘：

1. 内核日志每约 30 秒就循环一轮 libata 错误处理：

   ata7.00: exception Emask 0x4 (timeout), WRITE FPDMA QUEUED, status { DRDY }
   ata7.00: exception ... action 0x6 frozen
   attribute NCQ disabled due to excessive errors
   Buffer I/O error on dev sdd1 ... lost async page write

   硬盘无法完成排队的写入，内核硬重置链路；降级之后它丢掉了真实数据——/dev/sdd 有 28 个 LBA 报 lost async page write。

2. mkfs.btrfs -K -f /dev/sdd1 打印出完整的文件系统头，然后校验失败：

   Filesystem size: 894.25GiB
   ERROR: superblock magic doesn't match

   btrfs 写入了 superblock，回读时拿到的是不一样的字节。这是最可怕的静默写路径损坏。

3. 之后 smartctl -H /dev/sdd 超时。这颗盘连健康查询都不回应了。结合上面的写损坏内核标志，“送 RMA”是合理的结论。

改变结论的那个细节

排查到一半我必须物理移动这颗盘——它被接到另一个 SATA 口、换了根线。我在动任何其他操作之前，重跑了完全相同的 mkfs.btrfs 命令。

它通过了。零报错。btrfs device stats 全部清零。一次加了 verify=crc32c（写入带校验和的数据并回读核对）的 8 GiB fio 写入以 err=0 干净跑完，回读一致。smartctl 超时再也没有出现。dmesg 自那次换线以来对这颗盘零报错。

除了链路，什么都没变。那些”静默写损坏”，是 SATA 传输在线上损坏了帧，不是闪存的问题。

能抓到它 vs 抓不到它的测试

这一趟得出两个教训：

普通的 fio randrw 对这个故障是瞎的。 标准的 60 秒 randrw（70/30、4k、iodepth 32）写读随机扇区——但它从不核对读回来的字节是否和你写的一致。对一颗在线上损坏数据的盘，它会报 err=0、“干净通过”。我第一轮测试就是这样：干净，却在一颗随后 mkfs 失败的盘上。

你需要 verify，而且要点对区域。 fio 的 verify=crc32c 写入校验和并回读核对，这正是能揪出回读不一致的开关。而且故障是局部的：坏掉的 LBA（约 234,422,526–869，距设备起始约 111.8 GiB）落在我第一轮测试跑过位置再往后 100 GiB 处。在错误的偏移量上测试完全测不到。证据就是：指向健康区域的 verify 任务通过了；同一任务指向已知坏区间时，硬盘像先前缓存池故障时那样直接卡住。

# 判别性测试：写入带校验和，回读，不一致就失败
# 要么跑全表面，要么跑 dmesg 标记的精确 LBA 区间
fio --name=verify --filename=/dev/sdd \
    --offset=111G --size=2G \
    --rw=write --verify=crc32c --do_verify=1 \
    --bs=4k --ioengine=io_uring --direct=1 --iodepth=32

同一任务跑在健康盘上，verify 会通过；链路坏的话，fio 会报校验和不符或卡死——远比普通的 randrw 更早暴露问题。

我会改的做法

• 先换线。 在看到超时或写损坏时，在给盘判死刑之前，重新插拔/更换线材，或换到另一个口，重跑相同的失败命令。问题跟着端口走就是链路故障；跟着盘走（换了好口还坏）才是盘的问题。这是最便宜、最能一锤定音的测试，而我花了好几小时才做。
• 别信一个干净的 randrw。 它看不见静默损坏。凡是盘出现过任何写症状，都用 verify=crc32c 和 do_verify=1。
• 对准日志里的 LBA 区间。 内核或文件系统已经标记了具体扇区的话，就在那里测，而不是从偏移 0 开始。
• SMART 全绿 ≠ 链路健康。 UDMA_CRC 为零只说明当前链路干净，它看不到过去那段不稳定的链路；而传输超时的页面在算出 CRC 之前就已经被丢了。

结果

这颗几分钟前就要被我送去 RMA 的盘，现在已经是一颗格式化好、挂载上、verify 全过的缓存 SSD，btrfs device stats 全部清零。修好它的成本：一根线。相信原有诊断的成本：一趟没必要的保修，还有一台迟早会在那根坏线上损坏数据的机器。

如果你在 NAS 或家用服务器上遇到一颗盘报 FPDMA 超时、但 SMART 看起来没问题——换线，别急着换盘。