硬盘其实一直在“自述”：磁头、盘片、电机的每一次异常，都被固件记进SMART计数器。从第一次异常计数到彻底掉线，通常还留着几十天。这几十天有没有人看见，决定了一次更换是计划内的，还是一场事故。
一、谁在盯着这块盘
日常的盯盘工作由业务系统里的一个agent完成。它随系统启动，直接向硬盘读数据，采样可以细到分钟级；除了SMART，还能拿到I/O时延、重试次数和文件系统报错。阈值判断、30天增量、预测模型都跑在这一侧——只有它能把“这块盘变慢了”和业务的实际变化对上。
BMC是第二条通道，负责兜底。它在带外对SATA和NVMe盘定时采SMART：开机后一小时一次，此后每24小时一次，单块盘最多保留400份记录，可以直接在Web上翻看，也能通过Redfish导出。存储管理页面把每块盘的预故障信息汇总成一个健康状态，多来源的数据自动合并去重，读得慢的盘会被单独标出来（图1）。
承载这套能力的是HM700智能管理子卡：一颗四核A55、2G内存的独立小系统，自带千兆网口，对外提供Web、IPMI和Redfish接口。硬盘信息经RAID卡或NVMe通道带外读取，不占用业务CPU。
agent有三种场面必然缺席：系统还没起来（批量装机、PXE、系统崩溃）、系统卡死（内核挂住、I/O阻塞）、盘直接从系统里消失。这三种情况BMC都在——它在带外，主板带电就工作。平时agent高频采，异常时BMC接手（图2）。
Backblaze2025年度报告统计了344,196块盘，全年故障率1.36%，比2024年的1.55%略低——这是所有型号、所有机龄平均之后的结果，看着温和。Google早年对10万块盘的研究给出另一面：首年故障率1.7%，用了三年以上超过8.6%，同一批盘第三年的坏盘概率是首年的5倍；而出现过首次扫描错误的盘，其后60天内的故障概率约为正常盘的39倍。
一块盘能上报约30项SMART属性，真正与故障强相关的不超过10项。
读这些数字有三条经验：看增量不看累计——用满五年的盘有8个重映射扇区很正常，一个月新增8个就不正常；看组合不看单点——重映射、待映射、不可纠正同时抬头，基本可以判断盘片在退化；看趋势不看数值——各厂商对属性的定义并不统一，直接按数值卡阈值经常误判。
最便宜的办法是阈值：厂商给每项属性设了故障前阈值，越界就报警。缺点是阈值往往设在“已经坏”的位置，等它响，盘就该换了。进一步看趋势：重映射30天新增多少、待映射有没有归零、换线之后CRC还涨不涨——单块盘自己就能算，成本几乎为零。
再往上才是模型：把多组时序数据交给机器学习，公开研究的准确率大致在85%~90%。难点不在算法，而在样本——真正坏掉的盘只占百分之一，而且A型号训练出来的模型搬到B型号，往往要打折扣。更麻烦的是，即使把全部SMART属性都用上，仍有约36%的故障盘在此之前没有任何异常计数。
所以判据必须分层：agent侧跑阈值和趋势，高频数据就地判掉；平台侧汇总多台机器的样本，把每次处置的结果变成标签；BMC侧保留同一套阈值和24小时趋势，作为agent缺席时的兜底。
会不会坏是一个问题，还能用多久是另一个。两类盘的失效机理不同，估算路径也不同（图3）。
机械盘由机龄和工况共同决定。常见的三个输入是：通电时间占设计寿命的比例、重映射的增长速度、盘体温度的长期均值，按40/40/20加权成一个健康分——分数本身不重要，重要的是它随时间单调下降，运维一眼能看懂。
固态盘看写入量：一块3.84TB、每天写满一次（1DWPD）、保修5年的盘，标称总写入量约7000TB；按日均写入4TB算，大约1750天、也就是4.8年写满。再用盘自己报的剩余寿命和备用块余量交叉校验——写放大会让真实消耗快于理论值。
结果要翻译成运维能用的语言。不是“还剩1750天”，而是“按当前写入速度，本季度末进入更换窗口”——只有后者能排进变更计划、触发备件申请。
门槛可以按业务容忍度调，但告警必须绑定动作：只写进日志、不触发操作的告警，三个月后不会有人再看。
硬盘会坏，但从“开始不对劲”到“彻底掉线”通常还留着几十天。这段时间能不能用上，取决于数据有没有被持续记录：日常靠agent分钟级采样，系统失能或盘掉线时由带外BMC接手。
