硬盘要坏之前会先说话：NAS 上真正该盯的 8 个 SMART 指标

去年有一块盘，SMART 里 Current_Pending_Sector 从 0 变成 8。我当时看了眼「健康状态：良好」，就没管。两周后它开始掉盘，重建时又把另一块拖下水——那次之后我才认真读了 SMART 的字段说明。

硬盘的故障绝大多数不是瞬时的，是渐进的：坏道一点点扩散，磁头读写越来越吃力，重试次数越来越多。这些过程都会写进 SMART，只是默认没人看，或者看了也不知道该看哪几个数。

这篇只说有用的：8 个指标、三档处置、一套能直接跑的监控脚本。

一、先分清三种「坏」

不同故障类型，SMART 的价值完全不同：

故障类型	表现	SMART 能不能提前发现
渐进性坏道	读某些文件变慢、报 I/O 错误	能，提前几天到几周
磁头/电机衰减	异响、寻道变慢、重试增多	能，看错误计数增长
链路问题	掉盘、CRC 报错、速率协商降级	能，但容易误判成盘坏
电路板击穿	直接不识别	基本不能
固件锁死	突然变砖、容量异常	基本不能
断电/震动损伤	突然出现大量坏道	事后才能看到

所以 SMART 的定位是：管得住「慢慢坏」，管不住「突然死」。 这也是为什么它永远不能替代备份。

二、8 个真正该盯的指标

SATA 盘的属性有几十项，绝大多数是厂商自用、没有统一含义。下面这 8 个是跨品牌都有意义、且能直接指导动作的：

ID	名称	正常值	危险信号	说明
5	Reallocated_Sector_Ct	0	从 0 开始涨，短期到两位数	已用备用扇区替换的坏道数
187	Reported_Uncorrect	0	> 0	无法纠正的读写错误
197	Current_Pending_Sector	0	> 0	有扇区读不出来、等待重映射
198	Offline_Uncorrectable	0	> 0	离线扫描发现的不可纠正扇区
199	UDMA_CRC_Error_Count	0 或稳定	持续增长	链路错误，先怀疑线不是盘
194	Temperature_Celsius	< 45℃	≥ 50℃ 处理，≥ 55℃ 危险	盘体温度
9	Power_On_Hours	—	> 30000h 提高警惕	通电时长，寿命参考
193	Load_Cycle_Count	—	> 300000	磁头加载次数，频繁休眠的盘最容易被它耗死

几个必须说清的点：

197 是最急的那个。 它表示「有扇区现在读不出来，等着被重映射」。一旦大于 0，说明盘上已经有读不到的地方了，立刻备份，然后准备换盘，别等它涨。

5 要看增长，不看绝对值。 有些盘出厂就带几个，多年不涨，那是出厂测试留下的，不用管。真正危险的是从 0 开始涨，而且涨得快——那说明坏道在扩散。

199 是最容易被误判的那个。 CRC 错误九成不是盘的问题：SATA 线老化、接口氧化、背板接触不良、机箱震动导致瞬时断开，都记在这里。处置顺序是换线 → 换接口 → 换盘位 → 还涨才怀疑盘。我上次那 2 个 CRC，换根线就停了。

193 是被忽略的那个。 硬盘频繁休眠唤醒，磁头反复加载，这个数会飞快地涨。西数某些型号有过「LCC 门」，几十万次之后磁头就废了。NAS 上如果设了「硬盘休眠」，又跑着定时任务天天唤醒，等于慢性自杀——要么真休眠，要么别设。

三、趋势比绝对值重要

单次快照只能告诉你「现在怎么样」，判断不了「正在往哪走」。

我的做法很简单：每小时把所有盘的关键值追加到一行文本里，比对上一轮，只有变了才告警。这样既不会被 24 小时重复推送淹没，也不会漏掉变化。

理想情况下你会看到这样的曲线：

5   重映射: 0 → 0 → 0 → 2 → 2 → 8 → 47      ← 危险，坏道在扩散
197 待映射: 0 → 0 → 0 → 0 → 1 → 1 → 3        ← 立刻备份
199 CRC : 0 → 2 → 2 → 2 → 2 → 2              ← 换线后停止，安全
194 温度: 38 → 39 → 41 → 44 → 47 → 49        ← 该清灰/加风扇了

四、绿黄红三档处置

不要一看到数字不对就慌，也不要一直「再观察观察」。定死标准：

绿：全部为 0，温度正常。 什么都不用做，每月看一次趋势。

黄：出现以下任一，开始准备。

重映射或不可纠正有小数值，但三个月不增长；
CRC 增长过一次，换线后停止；
温度长期 48-52℃；
通电时长超过 5 年（约 44000 小时）。

动作：下一块替换盘加进购物车，异地备份改成每周一次，SMART 检测频率从每月改成每周。

红：出现以下任一，立刻行动。

197 或 198 大于 0；
重映射在两周内明显增长（比如 2 → 20）；
SMART 自检失败（Self-test execution status 报错）；
温度持续 ≥ 55℃ 且降不下来；
出现异响（咔哒、刮擦声）。

动作：先备份，再换盘。 顺序不能反——先拔盘再备份，等于把唯一一份数据放在一块正在坏的盘上。

五、自动化：一条脚本 + 计划任务

群晖上先确认有没有 smartctl：

1	which smartctl \|\| echo "需要装 SynoCommunity 的 smartmontools 包"

脚本放在 /volume1/scripts/smart-watch.sh：

#!/bin/bash
# 每小时跑一次：只在关键指标「比上次变了」时推送
set -u
TG_TOKEN="${TG_TOKEN:-}"
TG_CHAT="${TG_CHAT:-}"
STATE=/volume1/scripts/.smart-state
TEMP_MAX=50

say() {
  if [ -z "$TG_TOKEN" ]; then echo "$1"; return; fi
  curl -s --max-time 10 \
    "https://api.telegram.org/bot${TG_TOKEN}/sendMessage" \
    -d chat_id="$TG_CHAT" --data-urlencode "text=$1" >/dev/null
}

NEW=$(mktemp)
for dev in /dev/sata* /dev/sd?; do
  [ -b "$dev" ] || continue
  out=$(smartctl -H -A "$dev" 2>/dev/null) || continue
  model=$(echo "$out" | sed -n 's/^Device Model:[[:space:]]*//p' | head -1)
  [ -z "$model" ] && model=$(echo "$out" | sed -n 's/^Model Family:[[:space:]]*//p' | head -1)

  val() { echo "$out" | awk -v id="$1" '$1==id {print $10; exit}'; }

  realloc=$(val 5); pending=$(val 197); uncorr=$(val 187)
  crc=$(val 199);   temp=$(val 194);    lcc=$(val 193)

  tips=""
  [ "${realloc:-0}" -gt 0 ] 2>/dev/null && tips="$tips 重映射=${realloc}"
  [ "${pending:-0}" -gt 0 ] 2>/dev/null && tips="$tips 待映射=${pending}"
  [ "${uncorr:-0}"  -gt 0 ] 2>/dev/null && tips="$tips 不可纠正=${uncorr}"
  [ "${crc:-0}"     -gt 0 ] 2>/dev/null && tips="$tips CRC=${crc}"
  [ -n "${temp:-}" ] && [ "$temp" -ge "$TEMP_MAX" ] 2>/dev/null && tips="$tips 温度=${temp}C"

  cur="${realloc:-0}/${pending:-0}/${crc:-0}"
  prev=$(grep -F "$dev " "$STATE" 2>/dev/null | awk '{print $2}')

  if [ -n "$tips" ] && [ "$cur" != "$prev" ]; then
    say "⚠️ $(hostname) $dev $model:$tips"
  fi
  echo "$dev $cur" >> "$NEW"
done
mv "$NEW" "$STATE"

配上环境变量（Token 别写在脚本里）：

1 2	export TG_TOKEN="123456:ABC..." export TG_CHAT="你的 chat id"

群晖上不要直接改 /etc/crontab（重启会丢），用控制面板 → 任务计划 → 新增 → 计划的任务 → 用户定义的脚本，用户选 root，计划每小时，命令填：

1	TG_TOKEN=xxx TG_CHAT=yyy /bin/bash /volume1/scripts/smart-watch.sh

跑之前先手动执行一遍，看有没有语法错误，再等一小时确认能收到推送。

六、群晖自带的能力别浪费

脚本管趋势，DSM 管检测，两边都要开：

存储管理器 → HDD/SSD → 选盘 → 健康信息：看属性、看历史曲线，比脚本直观；
存储管理器 → 设置 → 计划 SMART 检测：快速检测每周一次，扩展检测每月一次（扩展检测会占 IO，放凌晨）；
存储池 → 数据清理计划：Btrfs 建议每月一次，能提前发现静默损坏；
控制面板 → 通知设置：把「存储空间/硬盘警告」的邮件或推送打开，别只留一个网页红点。

七、五个误报和坑

USB 硬盘盒读不到 SMART。 加 -d sat 参数（smartctl -d sat -A /dev/sdb），桥接芯片不支持就只能靠系统日志判断。
休眠的盘会被唤醒。 脚本每小时跑一次会让盘永远不睡。要么接受（本来也不建议 NAS 休眠），要么加 -n standby 让它在休眠时直接跳过。
群晖设备名会变。 新 DSM 是 /dev/sata1..N，老版本是 /dev/sdX；加了盘或换了盘位，顺序可能变。脚本里用 [ -b ] 过滤是对的，但告警里务必带设备名和型号，别只看编号。
NVMe 的指标完全不同。 固态没有重映射扇区，要看 Percentage Used（磨损百分比）、Available Spare（剩余备用块）、Media and Data Integrity Errors（介质错误）。拿 SATA 那套去套 NVMe 会得出错误结论。
SMR 盘重建慢不等于快坏了。 重建时间异常长、写入掉到几 MB/s，先查型号是不是 SMR，别急着判死。