跳轉到

硬體監控（homelab）

實體主機的 sysadmin 提問：硬體健康嗎 — 風扇有轉、溫度正常、RAID Optimal、硬碟沒在掛掉嗎？

本頁說明 hw-* helper 與 homelab_tools ansible role（chezmoi prompt installHomelabTools）。密集對照表見 helpers.md。本頁是 disk.md（檔案系統層）再往下一層、貼著金屬的那層。

僅限 Linux + 實體機。Role 在 macOS 與 VM 內是 no-op；hw-* shell helper 只在 Linux 定義。

三個感測器平面（陷阱所在）

伺服器感測器最令人困惑的一點是：有三個彼此獨立的來源，而且互相看不到對方：

平面 讀什麼 Helper 備註
BMC / IPMI 機箱風扇、進風/主機板溫度、PSU、System Event Log hw-fans hw-temps hw-sel 主機板管理控制器。Root only（/dev/ipmi0）。
lm-sensors 主機板 Super-I/O / PCI 溫度+風扇晶片 hw-sensors 先跑一次 sudo sensors-detect 啟用 kernel module。
RAID 卡（storcli） 控制器 ROC 晶片溫度 + enclosure 感測器 hw-raid MegaRAID/LSI 卡有自己的溫度；背板可能回報 0 風扇 / 0 溫度感測器。

關鍵陷阱：被動式 SGPIO 背板會對 RAID 卡回報 Fans = 0、TSs = 0 — 這是正常的，不是故障。機箱風扇在 BMC 平面（hw-fans），不在 RAID 平面。 不要因為 storcli /cALL/eALL show all 顯示 0 就斷定「沒有風扇」— 要看 ipmitool sdr type fan。

快速 CLI

hw-status          # 一頁總覽：風扇 + 溫度 + RAID + SMART + SEL 錯誤
hw-fans            # 機箱風扇 RPM（BMC）
hw-temps           # BMC 溫度 + lm-sensors
hw-sensors         # 完整 lm-sensors dump
hw-raid            # MegaRAID：控制器狀態、VD/PD、ROC 溫度、enclosure
hw-smart           # 每顆硬碟的 SMART 健康判定（所有實體碟）
hw-smart /dev/sda  # 單顆裝置的完整 smartctl -a 報告
hw-sel             # BMC System Event Log（預設最後 20 筆；--all 看全部）

與 audit / disk helper 一樣，這些是 shell 函式，所以 sudo hw-fans 不會動 （sudo 會開一個沒有你函式的新 process）。先用 sudo -v 暖好 sudo cache，之後 每個 helper 會自動提權。非互動式呼叫者會看到明確提示。

裝什麼、何時裝

homelab_tools role 只在偵測到對應硬體時才裝該工具，所以沒有 RAID 卡 / NVMe / BMC 的機器不會裝用不到的套件：

工具 套件 何時安裝
lm-sensors lm-sensors 任何實體 Linux 主機
smartmontools smartmontools 任何實體 Linux 主機
ipmitool ipmitool 存在 /dev/ipmi* 或 DMI type 38（IPMI Device）
nvme-cli nvme-cli lspci 出現 NVMe 控制器
storcli （vendor 下載） lspci 出現 RAID 控制器

偵測使用唯讀的 lspci / dmidecode 探測；role 的 debug task 會印出判定結果。

安裝 storcli

storcli 不在 distro repo — Broadcom 以 zip 形式放在 support portal 後面。 因此 role 把它當成依 homelab_storcli_url role 變數開關的 best-effort 下載：

  • 留空（預設）：偵測到 RAID 控制器但缺 storcli 時，role 印出提示後略過 （不失敗）。請手動安裝並放到 PATH（慣例是 /usr/local/sbin/storcli）。
  • 設成可達的 tarball/zip URL（僅 x86_64）：role 會下載、解壓、找出 storcli/storcli64 binary 並安裝到 ~/.local/bin。

若 URL 失效，請寫進 pitfalls/ 筆記，而不是在 role 裡硬塞脆弱的 URL。

每日 / 每週食譜

早晨硬體巡檢

hw-status

一頁搞定。任何紅字或非 OK/Optimal 的行 → 用對應 helper 深入 （hw-raid、hw-smart /dev/sdX、hw-sel --all）。

「硬碟是不是要掛了？」

hw-smart                 # 每顆判定；找非 PASSED 的
hw-smart /dev/sdb        # 完整屬性：reallocated / pending sector、CRC

Reallocated/pending sector 持續上升，或 SMART overall-health = FAILED， 就該換碟。（本頁存在的另一個理由：我們就是這樣拔掉一顆碟的 — 卸載 / fstab 那一側見 disk.md。）

「RAID 還好嗎？」

hw-raid

看 Controller Status = Optimal、沒有 Degraded/Failed VD。ROC temperature 那行是 RAID 晶片本身 — 偏溫是正常的（LSI 3108 有風流時約 55–80 °C；~95–100 °C 才是警告天花板）。ROC 持續高溫指向卡周邊風流不足， 不是資料問題。

「硬體有沒有記錄故障？」

hw-sel               # 最近的 BMC 事件
hw-sel --all         # 完整 System Event Log

PSU 掉電、ECC 錯誤、過熱跳脫、機箱開蓋都會落在這裡。

注意事項

  • ns / 「No Reading」是未插的槽位，不是故障 — 部分插滿的機箱常見於 FRNT_FAN2 / REAR_FAN2 / 備援 PSU 溫度感測器。
  • IPMI 是 root only（/dev/ipmi0）— 每個 hw-fans/hw-temps/hw-sel 都會提權。
  • sensors 空白？ 先跑一次 sudo sensors-detect（安全探測都回 YES）， 再 reload module 或重開機。
  • storcli 控制器索引：helper 用 /cALL；多控制器主機會全部列出。單卡可 直接 storcli /c0 ...。
  • Install-only：role 不會啟用 smartd / ipmievd 服務（本 repo 設計 上就是 install-only）。持續監控/告警會是另一個 opt-in 的 timer。

另見