随着集群规模的不断扩大，硬盘数量指数级上升，信创 CPU 和操作系统、硬盘多年老化、物理搬迁等多种复杂因素叠加，为企业的存储亚健康管理增加了新的挑战。

在亚健康 2.0 的基础上，星辰天合在 XSKY SDS V6.2 实现了亚健康 3.0，并推出了亚健康 3.0 工具来实现新集群和老集群同时应对亚健康问题。

亚健康，又称 Fail slow，描述的是硬件虽然仍能正常运行，但性能大幅下降的一种状态。无论是硬盘、网卡、CPU、内存，这些硬件部件都可能陷入亚健康状态。当这些硬件处于这种状态时，这些硬件仍然能继续运行（不会停止工作），但其性能远不如正常情况。如果存储系统没有有效监控和容错机制，则会导致存储系统响应主机的时延增加、IOPS 和带宽降低，极端情况下甚至可能导致无法响应主机，从而打断主机业务。

在星辰天合的产品理念中，我们需要确保存储系统的可靠性和高可用，同时也强调软硬解藕设计的灵活性。因此，我们持续努力提升产品在硬件亚健康方面的处理能力。在 XSKY SDS V5 版本里就推出了 亚健康 2.0，它能自动检测并隔离亚健康状态的存储盘。但随着集群规模的不断扩大，硬盘数量指数级上升，我们又一步发现了更多亚健康的优化空间，以确保客户业务连续性：

• 亚健康的场景本身非常复杂，需要针对不同的场景有不同的处理方案，因此我们需要一个足够灵活的亚健康处理框架。例如在某些 RAID 卡固件和版本里，如果一个硬盘发生高延迟且 IO 长期得不到处理，可能会导致 RAID 卡固件重置，进而影响该 RAID 卡下所有硬盘的 IO 处理，最终导致业务性能下降。在这种场景下，我们需要在第一时间内识别并处理首个出现亚健康的硬盘，避免波及系统中的其他硬盘。

• 亚健康 2.0 是 XSKY SDS 内置能力，这意味着要应对新增的亚健康情况，必须升级整个存储集群版本，这种方式对于给客户带来了诸多不便，尤其是对于生产环境的存储集群，一方面亚健康问题需要不断更新和识别，另一方面存储集群的升级变更流程复杂。因此，我们迫切需要一种更敏捷的方式来推动亚健康新增能力的落地。

为了应对这些挑战，在亚健康 2.0 的基础上，XSKY SDS V6.2 实现了亚健康 3.0，并推出了亚健康 3.0 工具来实现新集群和老集群同时应对亚健康问题。

我们先回顾星辰天合亚健康检测和隔离功能的历史，从亚健康 1.0 发布以来，逐渐升级功能，在此次发布亚健康 3.0 之后，将会在 2024 年发布亚健康 4.0 版本。

亚健康 3.0 在继承了 2.0 版本的成功经验的基础上，进一步完善了其不足之处。特别是在面对新硬件引入过程产生新的亚健康问题，其核心设计理念是将亚健康处理跟数据 IO 路径进行分离，从而实现外部检测与全局决策的能力。亚健康 3.0 模块负责亚健康场景的识别，但其本身运行和升级可以独立于存储系统本身。

针对于亚健康检测的复杂性和灵活多变的需求，我们的架构设计具备以下特点：

1. 收集硬件关键指标，并对指标进行数学统计和处理，同时设有全局仲裁中心；

2. 检测算法具备自适应性，能够自适应各种不同场景，同时准确性和灵敏度可调整；

3. 隔离策略首先保证数据安全，其次再保证集群的整体性能；

4. 我们的设计支持独立部署，兼容老版本集群。算法库采用可插拔方式，隔离策略要求可配置，保障业务连续性。

下面是亚健康 3.0 的软件架构：

亚健康 3.0 提供了先进的可靠性监测功能，引入创新的数学模型和统计框架，深入分析导致系统性能降级的部件级故障和周边系统故障，不仅能够实时监测网络和硬盘的亚健康状态，还能对故障部分进行主动隔离，从而提高系统的健壮性。

除了对于硬件亚健康实现精准判断和有效隔离外，我们已经开始规划亚健康 4.0 ，这一新版本不仅将覆盖硬件单体部件，还将扩展到全业务场景的服务和性能亚健康的检测和告警。

同时，我们还会对各大主流 SSD 厂商和型号的自定义 SMART 信息进行深入分析，皆在进一步提高预警能力，保证业务连续性和提高运维管理效率。