Vlákno názorů k článku
Windows 11 rozbíjejí SSD, nebo je to jinak?
od comodoro - Stalo se mi to několikrát taky a taky...
-
Stalo se mi to několikrát taky a taky jsem dospěl k závěru, že je to přehříváním. Je to SSD M.2 WD Black a stávalo se to při kopírování velkého množství (~1M) souborů na jdden zátah. Už to nedělám: - )
Někdy ve správci souborů prostě přestali být viditelné nebo přístupné některé adresáře, někdy celý disk. Po restartu se zase objevil, nicméně k nějakému poškození tam asi došlo, mám tam soubor, po jehož načtení disk spolehlivě zmizí, zase až do restartu. Od té doby zálohuju a trnu, kdy disk selže, ale zatím několik měsíců bez problému. Ve SMART není nic neobvyklého, všechno se tváří OK. Přiznám se, že spojovat to s Windows mě až doteď nenapadlo.
-
Michal ŠmucrBronzový podporovatel
Nezávisle na systému, tohle málokdy probíhá úplně tiše a bez jakékoliv chybové hlášky.
Ve Windows konkrétně jsou v event logu zdroje jako např..
disk, storport, stornvme (resp. storahci u SATA), tam to chce sledovat chyby I/O operací, opakování, pokusy o reset sběrnic, když vyprší timeout atp.
Nad tím je zas filesystém, takže zdroj ntfs.. tam by byly případně vyloženě chyby (číslo. 55) při načítání po nějaké nedokončené operaci, případně by si to před pádem mohlo stěžovat na to, že nemůže zapsat žurnál.
Finálně u NVMe disků, které jsou přímo na PCIe, stojí za to koukat i po zdroji WHEA-Logger, který pak může produkovat eventy při chybách přenosu na sběrnici.Ale jak jste říkal, tak teplota může být často problém, krom toho, že se dá při nějaké větší zátěži logovat, tak když se to začne blížit k nějakému limitu, tak to také koreluje s delší dobou odezvy až to případně začne vypadávat úplně a třeba se resetovat. Spousta SSD začne zjednodušeně řečeno throttlovat velice podobně jako např. CPU.
Ta informace o maximální délce odezev (Read, Write, Flush) od startu systému je pak dostupná buď přes perfmon nebo třeba v PowerShellu.
Takhle to třeba spojíte s daty ze SMART atributů, resp. NVMe namespace.Get-PhysicalDisk | Get-StorageReliabilityCounter | Ft DeviceId, Wear, Temperature, ReadErrorsTotal, WriteErrorsTotal, MediaErrorsTotal, PowerOnHours, PercentageUsed, *LatencyMax -Auto
Čísla disků se dají dekódovat, když pustíte jen samotný Get-PhysicalDisk.
Ale perfmon je asi lepší pro sledování v čase, byť i tady si můžete taky udělat smyčku a přes Export-CSV appendovat např. do souboru na jiném disku.Jinak dodatečný chladič, pokud trochu proudí vzduch ve skříni, nemusí být úplně marný.
Také jsem viděl SSD (nějaký šílený Lexar), kde pomohlo srazit rychlost z PCIe 4 na 3 (deska to uměla z BIOSu per slot). Zmizely CRC chyby a výrazně se snížila teplota..Obecně vzato, já bych s tím, že to sem tam nezapíše data (ať už z jakéhokoliv důvodu), asi úplně nedokázal fungovat.. Zkusil bych si udělat zálohu, nebo třeba bitovou kopii disku někam vedle, pak bych udělal secure erase (třeba z nějaké utility od výrobce), abych měl výchozí stav. A pak to zkoušel šikanovat (třeba s větším množství náhodných zápisů přes fio, diskspd, CrystalDisk), dokud případně nedojde k chybě.. a při tom to monitoroval, upravoval chlazení, nastavení atp. Jinak ty SanDisk/WD Blacky by měly mít 5 let záruku, jestli se nepletu.
-
Michal ŠmucrBronzový podporovatel
Ahoj. Ne nutně, trochu záleží na situaci a konkrétním problému, ale pokud to nesletí hned do bluescreenu, tak je tam krátký buffer v paměti v kterém by těch pár posledních eventů mohlo být vidět (bude to samozřejmě blít spousty chyb okolo tím, že nebude moc sáhnout po těch souborech).
Navíc pokud se na to zaměříš a budeš třeba zkoušet reprodukovat chybu, tak se ty logy nechají přesměrovat do jiného umístění (to může být kdekoliv, klidně na flešce).
Mrkni na příkaz: wevtutil
Např. wevutil sl System /lfn:"E:\System.evtx"
nebo jednotlivý kanál:
wevtutil sl "Microsoft-Windows-Storage-ClassPnP/Operational" /lfn:"E:\Storage-ClassPnP.evtx"
Pak restartuješ službu EventLog nebo celý systém.
Dělal jsem to třeba na nějakém video serveru, který měl chytře mrňavý eMMC disk na systém i aplikace a pak velké pole na data, kam jsem pak musel nastavit i ty logy.
Nakonec to jde posílat i na jiný Windows počítač po síti..
To se zas nastavuje přes wecutil na straně, co přijímá. Dělal jsem to jednou a jel jsem jen podle kompletního návodu, už si to nepamatuju přesně.Ale tady podle předchozího postu, kdy psal o náhodném mizení souborů ve složce a následném restartu, mi úplně nevyplývalo, že by to en-bloc nemohlo od toho momentu vůbec zapisovat na disk.
31. 8. 2025, 15:37 editováno autorem komentáře
-
Michal ŠmucrBronzový podporovatel
Remote kernel debugger je samozřejmě taky další možnost, akorát v tomhle případě bych řekl, že by to byl trochu kanón na vrabce.. a pokud třeba neladíš nějaký specifický ovladač (tady bude nejspíš standardní stornvme.sys) nebo hodně záludnou chybu, kdy například chceš opravu jít až k jednotlivým requestům (IRP), tak to ukládání standardních eventů, včetně těch nekritckých (operational) na druhý disk nebo forwarding na jiný počítač, může být užitečnější.
Případně pokud je potřeba dohledat, jestli chyby nastávají jen při nějakých specifických situacích nebo workloadech, tak je k tomu užitečný i třeba Windows Performance Toolkit (wpr, wpa) a tracing do .etl souborů, abys třeba odhalil, co se děje okolo (procesy, DPC fronta, sleepy, detaily o IO requestech). Sondy pro tracing samozřejmě něco sežerou samy o sobě, ale zas it to poskytne možnost zobrazit v čase jako timeline, dát dohromady s eventy atp. -
Dobře napsáno. Jen bych doplnil, že NVMe SSD by měly ve SMART logu by měly být i události překročení warning a critical temperature, s informací o teplotě na jednotlivých senzorech. Pokud SMART čtete pomocí nějaké utility, tak je potřeba ji spustit v admin módu, jinak nejspíš nepřečte vůbec nic.
Další možností je slíznout čas od času informaci o teplotě SSD a uložit do logu, třeba přes Get-StorageReliabilityCounter, counters Temperature a TemperatureMax. Pokud je v logu vidět postupný nárůst teploty SSD, a pak už nic :), tak asi máte příčinu.
