offline-file-system-fault-diagnosis

name	offline-file-system-fault-diagnosis
description	通过分析服务器离线日志（iBMC、OS Messages、InfoCollect）诊断 Linux 文件系统（EXT4/XFS）逻辑损坏、挂载异常及存储关联性故障并定位根因。当用户提供日志并询问文件系统只读（Read-only）、挂载失败（Mount Failure）、元数据损毁（Metadata Corruption）、空间/Inode 耗尽、I/O 错误引发的逻辑一致性问题，以及需要针对文件系统进行异常溯源时，调用本技能。
platforms	["linux"]

离线文件系统故障诊断

本技能通过分析从服务器收集的标准日志文件，帮助诊断 Linux 文件系统（EXT4/XFS）及底层存储子系统故障。

技能目录结构

本技能的目录结构如下，包含诊断脚本、参考资料和文档：

offline-file-system-fault-diagnosis/
├── SKILL.md                          # 本技能的主文档
├── scripts/                          # 诊断脚本目录
│   ├── diagnose_summary.py           # Step 0: 故障日志采集脚本
│   ├── diagnose_ibmc.py              # Step 2: iBMC日志分析脚本
│   ├── diagnose_infocollect.py       # Step 2: InfoCollect/磁盘与文件系统专项分析脚本
│   └── diagnose_messages.py          # Step 2: OS消息日志分析脚本
└── references/                       # 参考资料目录
    ├── FS_fault_scenarios.md         # 文件系统故障场景分类
    ├── FS_scenario_analysis.md       # 文件系统故障场景专项分析指南
    ├── infocollect_guide.md          # InfoCollect诊断指南
    ├── messages.md                   # OS消息日志分析指南
    ├── huawei_ibmc.md                # 华为iBMC分析指南
    ├── h3c_ibmc.md                   # H3C iBMC分析指南
    └── Inspur_ibmc.md                # Inspur iBMC分析指南

输入日志目录结构与对应诊断脚本

以 /path/to/logs/xxxx 为例，标准的服务器日志收集包通常具有以下层级结构。本技能提供了针对性的脚本来分析不同层级的日志。

注意：在实际场景中，用户提供的日志包可能不完整，可能仅包含以下三种目录中的一种或多种。请根据实际存在的日志类型灵活选择对应的分析脚本。

<日志根目录> (例如: 10.120.6.76)
├── ibmc_logs/                  # iBMC 硬件带外管理日志
│   └── (硬件报错/槽位告警) -> 使用 scripts/diagnose_ibmc.py
├── infocollect_logs/           # 系统信息收集工具生成的分类日志
│   └── (SMART信息/文件系统位图/分区表) -> 使用 scripts/diagnose_infocollect.py
└── messages/                   # 操作系统层面的系统日志
    └── (dmesg, syslog, messages) -> 使用 scripts/diagnose_messages.py

⚠️ 强制执行流程

必须严格按以下顺序执行，禁止跳过或乱序：

Step 0 (故障日志采集) → Step 1 (场景分类) → Step 2 (深入分析) → Step 3 (根因校验) → Step 4 (界面输出分析报告)

执行规则：

1. 顺序强制：必须完成当前步骤并验证通过后，才能进入下一步
2. 场景分支：Step 1 输出场景标签后，Step 2 必须针对性收集相关证据
3. 数据校验：Step 3 必须通过证据矩阵校验后才能得出最终结论
4. 文件适配：日志文件不全时自动降级分析策略，但必须至少有一个日志文件
5. 专注文件系统：分析过程应聚焦文件系统元数据（Metadata）、日志（Journal）及空间分配逻辑，厘清逻辑损毁与底层 I/O 异常的因果链。

每步完成标志：

• Step 0：输出日志文件时间范围、文件统计、错误关键词概览
• Step 1：确定故障场景（如 FS_CORRUPTION 等）
• Step 2：输出底层物理/元数据层级的精准定位、传导链及初步根因
• Step 3：输出根因证据校验表、原生日志证据及置信度定性
• Step 4：在界面上按固定结构输出最终的分析报告（严禁生成独立文件）

---

分析流程总览

步骤	阶段目标	主要工具/方法
Step 0 故障日志采集	全量扫描日志目录并识别关键报错	python3 scripts/diagnose_summary.py <log_dir>
Step 1 场景分类	判定现象并确定故障场景类型	根据 Step 0 结果参考 FS_fault_scenarios.md 匹配
Step 2 深入分析	构建起止 T0 的传导链并执行专项诊断	参考 FS_scenario_analysis.md 获取多维证据
Step 3 根因校验	交叉质询证据链，执行证据双向校验	对比 iBMC/内核/系统日志的一致性，防止结论发散
Step 4 界面输出分析报告	汇总证据链与确认根因，在界面直接输出报告内容	结构化输出：结论 + 故障链条 + 修复建议

---

Step 0：故障日志采集

全量扫描（宏观分析）

目标：快速扫描所有日志文件，识别磁盘及存储子系统的异常，建立故障全景视图。当存在特定报错或时间范围时，利用参数进行第一轮初步精确定位。

执行命令（根据场景选择）：

# 场景 1：无明确过滤条件（默认全量扫描）
python3 scripts/diagnose_summary.py <log_dir>

# 场景 2：用户提供故障关键词时
python3 scripts/diagnose_summary.py <log_dir> -k "disk_fail" "slot0"

# 场景 3：用户提供故障发生时间/日期时
python3 scripts/diagnose_summary.py <log_dir> -d "Mar 16"
python3 scripts/diagnose_summary.py <log_dir> -s "2026-03-10 08:00:00" -e "2026-03-10 12:00:00"

精细定位（微观分析）

目标：在优先使用上述带有参数的扫描命令锁定范围的基础上，结合全量扫描结果，辅以 grep / less 等文件操作命令查看更细节的原始日志上下文。

注意：使用脚本时，可优先执行 --help 参数，了解脚本多维度过滤用法。

---

Step 1：场景分类

根据 Step 0 采集的日志概览，分析故障现象并确定故障场景类型。

场景分类概述

根据 Step 0 采集的日志概览，分析故障现象并从以下标准场景中确定故障场景类型。

📖 参考详见：文件系统故障场景分类

场景标签	中文描述	主要特征
FS_CORRUPTION	文件系统损毁	EXT4-fs error、XFS: Metadata corruption、fsck 报错、位图/校验和不一致
FS_MOUNT_ERROR	逻辑挂载异常	Mount failed、Structure needs cleaning、UUID 变更、/etc/fstab 配置冲突
FS_IO_ERROR	内核 I/O 报错	Buffer I/O error、I/O error、Device error (引发 FS 切只读的核心诱因)
FS_SPACE_ISSUE	空间/索引耗尽	No space left on device、Inode exhausted、大文件残留、配额 (Quota) 限制
STORAGE_INDUCED_FS_ERR	存储诱发的 FS 故障	底层磁盘/RAID 硬件故障（如 Drive Fault/Media Error）直接导致的文件系统不可用
FS_PERMISSION_CONFIG	权限与系统配置问题	Permission denied、SELinux 阻断、ACL 异常、挂载参数 (Mount Options) 冲突

场景辅助分析与根因假设

确定场景标签后，必须参考专项分析指南进行候选根因的初步验证：

🔍 专项分析指南：文件系统故障场景专项分析指南

场景标签	候选根因假设（需在 Step 2 中验证）
FS_CORRUPTION	① 异常断电导致元数据未落盘 ② 磁盘物理坏道损毁关键元数据 ③ 内核/驱动 Bug 导致的逻辑破坏
FS_MOUNT_ERROR	① 文件系统超级块 (Superblock) 损坏 ② 挂载点目录被占用或存在依赖冲突
FS_IO_ERROR	① 磁盘介质老化/损坏 ② SAS 链路抖动触发超时重试 ③ RAID 卡缓存故障
FS_SPACE_ISSUE	① 隐藏进程占用已删除的大文件句柄 ② 小文件过多耗尽 Inode ③ 磁盘配额已满
STORAGE_INDUCED_FS_ERR	① 磁盘硬件物理失效 (Offline) ② RAID 阵列降级或崩溃 ③ 存储链路徹底中断
FS_PERMISSION_CONFIG	① 运维操作导致 ACL 被误改 ② 只读模式挂载 (RO) 保护 ③ 容器/虚拟化命名空间隔离

⚠️ 强制要求：在进入 Step 2 深入分析前，应先通过 FS_scenario_analysis.md 了解对应场景的分析路径。分析结束后，必须对上述候选根因方案逐一标注：✅ 已证实 / ❌ 已排除 / ❓ 证据不足。

Step 1 完成标志：

1. ✅ 确定主要故障场景标签（从上述类型中选择）
2. ✅ 记录故障现象与关键证据
3. ✅ 为 Step 2 深入分析提供明确的故障场景方向

---

Step 2：深入分析

根据 Step 1 的场景分类结果，必须首先完成时序关联与故障传导链重建，然后再通过多源脚本收集证据，最终给出精确的物理/逻辑坐标定位。

2.1 时序关联与传导链重建 (核心理论框架)

目标：通过多源日志的时间戳对齐，重建故障发生的完整时间轴，厘清事件的先后顺序与因果链，为根因定位提供时序证据。

2.1.1 确定文件系统故障零点 (T0)

故障零点（T0）是时序分析的基准锚点，定义为最早可观测到异常的时间戳。确定优先级（由高到低）：

优先级	来源	说明
P1	硬件错误日志（iBMC / SEL）	底层物理故障时间点最准确（如 Power Loss, Drive Fault）。
P2	内核感知层（dmesg / messages）	最早出现的 I/O Error 或 EXT4/XFS Metadata Error。
P3	系统调度层（syslog / messages）	systemd 挂载失败、服务启动超时或 OOM 触发。
P4	应用感知层	数据库由于 IO 缓慢产生的报错，通常滞后于内核层。

2.1.2 多维日志对齐与时间轴矩阵

以 T0 为基准，构建事件序列矩阵。 示例：因异常断电导致文件系统损坏的时间轴

T0-2m   ├─ [iBMC SEL]    记录 `Power Loss` 外部供电失效告警。
T0      ├─ [iBMC SEL]    系统由于过温或供电不足触发强制下电。
T0+1m   ├─ [OS restart]  系统重启，内核加载存储驱动并尝试挂载根分区之外的文件系统。
T0+1.5m ├─ [OS dmesg]    `EXT4-fs (sdb1): error loading journal` → 标定为致命故障节点 T0'。
T0+2m   ├─ [OS messages] `Failed to mount /data: Structure needs cleaning`。

2.1.3 文件系统故障传导链推断 (示例)

结合对齐的时间轴矩阵，运用以下规则推导故障传导链方向：

• 规则一：自下而上（硬件/介质诱发）
  • 传导链：磁盘物理坏道 (T0) → 触发底层 I/O Error → 文件系统元数据读取失败 (Corruption) → 触发内核安全保护并 Remount read-only。
• 规则二：逻辑向应用传导（配置/空间诱发）
  • 传导链：日志异常膨胀 (T0) → 触发 No space left → 元数据/日志提交失败 → 导致应用数据库死锁或服务退出。

⚠️ 精确定位强制要求：在文件系统诊断中，严禁仅使用“文件系统损坏”这类含糊结论。 必须给出明确的“逻辑-物理”映射定位，例如：

• ✅ 正确结论：Mount Point: /data (Device: /dev/sdb1) -> Slot 3 -> EXT4 Metadata Corruption -> Block 98304。
• ❌ 错误结论：由于 I/O 错误导致挂载失败 或 磁盘损坏。

2.1.4 存储数据流拓扑梳理

在推断故障传导链的同时，必须梳理受影响的存储数据拓扑网络（即从用户业务层直达物理磁盘层的映射关系），以便确认底层/文件系统异常最终影响的业务挂载点。明确映射关系：

• 挂载点，即用户入口（例如 /data/vols/vol13/phenix_data） → 文件系统类型（例如 ext4/xfs） → 对应的分区或 LVM 逻辑卷（例如直接分区块设备 或 /dev/mapper/xxx） → 发生告警/故障的真实底层物理磁盘设备（例如 /dev/sda）。

---

2.2 日志脚本分析执行 (执行工具动作)

2.2.1 通用分析流程

# iBMC 日志分析（硬件层）
python3 scripts/diagnose_ibmc.py <log_dir>

# InfoCollect 日志分析（系统信息层）
python3 scripts/diagnose_infocollect.py <log_dir>

# OS Messages 日志分析（操作系统层）
python3 scripts/diagnose_messages.py <log_dir>

注意：使用脚本时，可优先执行 --help 参数，了解脚本多维度过滤用法。

2.2.2 按场景专项分析

当 Step 1 确定故障场景后，优先分析对应的关键指标：

1. 文件系统损坏：重点查看 dmesg 中的元数据校验错误及 infocollect 中的文件系统位图信息。
2. 磁盘硬件故障：重点查看 SMART 中的 Reallocated_Sector_Ct。
3. 空间/索引耗尽：重点查看 df -i 和 df -h 的各项指标。

Step 2 完成标志：

1. ✅ 输出故障零点 T0 的精确时间戳及其所依托的具体日志行。
2. ✅ 梳理出以 T0 为基准的结构化事件序列矩阵与至少 3 步的确定故障传导链。
3. ✅ 给出精确到设备文件名（/dev/sdX）和物理槽位（Slot ID）的定位结果。
4. ✅ 收集脚本产出的相关原生日志片段作为强有力的支撑证据。
5. ✅ 成功梳理出底层设备故障/逻辑盘直达业务挂载点的重点存储数据流拓扑映射关系。

---

Step 3：根因反思与证据双向校验 (Cross-Examination Rules)

目标：对 Step 2 输出的“初步传导链与定位结果”进行“交叉质询”，确保结论 100% 由底层日志支撑。

3.1 交叉质询铁律 (Cross-Examination Rules)

1. 孤证不立原则：任何涉及 I/O 错误引起的文件系统问题，必须同时在内核日志（dmesg）和存储层（SMART/RAID 卡日志/iBMC）找到独立证据。
2. 逻辑闭环原则：从 T0 到最终故障结果，传导链不允许出现逻辑断层。例如：判定为“由于坏道导致”，则必须找到对应的物理扇区重映射记录。
3. 互斥排异原则：判定为文件系统自身损坏前，必须排除外部因素（如链路抖动、驱动版本 Bug 或人为 rm -rf）。

3.2 强制：根因证据校验表 (Evidence Validation Matrix)

在确认最终结论前，强制要求进行证据校验：

校验维度	校验标准要求	强制证据格式（分析打样要求）
E1: 时序连续性	底层报错 (I/O/Power) 是否早于或同步于文件系统报错？	[✅/❌ 结果] + 时序对齐说明 + [绝对路径 : 行号/行号范围] + 原生日志片段
E2: 逻辑-物理同一性	报错的设备节点 (/dev/sdX) 与物理槽位 (Slot Y) 是否指向同一单元？	[✅/❌ 结果] + 设备与槽位映射日志梳理 + [绝对路径 : 行号/行号范围] + 原生日志片段
E3: 现象排他性	是否排除了系统 OOM、网络挂载延迟或人为误删等非存储因素？	[✅/❌ 结果] + 主动排异日志及逻辑说明 + [绝对路径 : 行号/行号范围] + 原生日志片段

3.3 结论防发散拦截机制 (Anti-Hallucination Mechanism)

• 断链阻断：若无法从日志中找到证明因果传导的片段，强制触发流程拦截，回溯重新收集。
• 降级处分：若确实缺乏某一层关键日志，必须在报告中声明为**“疑似故障 (Suspected)”**并标注证据断层位置。
• 严禁用词限制：在证据链未能满足完全闭环标准前，严禁使用“肯定”、“必然”等决定性断言。

Step 3 完成标志：

1. ✅ 结构化地产出《根因证据校验表》中每一项的自查结论。
2. ✅ 每个通过项均附带 Trace 日志中的 Timestamp、Text 以及其明确的 [绝对路径 : 行号/行号范围]。
3. ✅ 输出与之等位置信度（已证实 / 高度疑似 / 逻辑推断）的严谨研判方向。

---

Step 4：界面输出分析报告

汇总 Step 0～3 的所有分析结果，直接在当前对话界面输出结构化的诊断结论。禁止生成任何额外的文档或报告文件。

报告结构：

1. Executive Summary（故障摘要） — 严禁使用笼统回答，必须包含以下三要素：
   • 具体设备或挂载点信息（例如：明确指出具体的设备名 /dev/sdX、分区及文件系统挂载路径）。
   • 具体的根因故障（例如：具体的“EXT4 元数据超级块物理损毁”或“Journal 日志加载失败”，而非宽泛的“文件系统错误”）。
   • 业务后果概述（例如：该故障对应用层的直接影响，如“导致数据库分区无法挂载，业务启动失败”或“触发内核保护机制导致分区只读”）。
2. Storage Data Flow（存储数据流拓扑） — 必须呈现从业务感知层到底层故障部件的数据流向映射关系：
   • 必须按层级包含以下上下游映射关系及路径节点名：挂载点（用户入口，如 /data/vols/vol13/phenix_data） → 文件系统（如 ext4/xfs） → 分区/LVM逻辑卷 → 真实故障物理磁盘设备（如 /dev/sda）。
3. Fault Chains（故障链条分析） — 必须包含以下两级链条：
   • 故障时间链 (Fault Time Chain)：列出带关键节点的事件序列，每个节点必须包含准确的时间戳及对应的出处 [绝对路径 : 行号/行号范围]。
   • 故障传导链 (Fault Propagation Chain)：清晰描绘导致系统表现的因果路径（例如：RAID卡电池失效 -> 写策略降级 -> I/O 延迟剧增 -> 文件系统由于超时被动切为 Read Only）。
4. Technical Analysis & Root Cause（技术分析与根因） — 基于 Step 2 的传导链底层回溯与 Step 3 的交叉质询得出的物理级或配置级根因，并提供多源证据链（E1/E2/E3）支撑。🔴 强制约束：针对提供证明此根因或结论对应的原生日志片段，必须强制标明其确切证据出处，格式统一为 [绝对路径 : 行号/行号范围]。溯源路径必须是从系统中可查找的完整绝对路径，严禁截断。
   • ✅ 正确示例：[/path/to/logs/ibmc_logs/maintenance/sel.log : 1024]
   • ❌ 错误示例：[sel.log : 1024]（丢失路径）或 [maintenance/sel.log : 1024]（路径不完整）
5. Recommendations（修复建议） — 立即操作、备件更换建议及预防性检查

诊断分析完成性拦截检查（不满足条件时强行熔断回溯，严禁盲目输出报告）：

在得出结论前，核心系统（作为自我审查器）必须强制执行以下内部清单确认拦截：

• ⚠️ 关键校验 1：报告中是否已经完整包含并格式化输出了直探底部物理硬件的挂载存储数据流映射关系结构？
• ⚠️ 关键校验 2：所有关键证据或者日志引用的出处，是否都已经无遗漏地指明了它的完整绝对路径（而非仅文件名或相对路径）与精准行号/行号范围？
• 是否给出了精确的设备名（/dev/sdX）及对应的物理槽位号（Slot ID）？
• Step 1 场景假设矩阵是否已完成 ✅/❌ 标注？
• 是否排除了文件系统逻辑以外的底层硬件或存储链路干扰？
• 故障时间链中的每一个节点是否都有准确的时间和对应的溯源出处 [绝对路径 : 行号/行号范围]？
• 是否清晰勾勒并输出了故障传导链？

---

参考资料

• 文件系统故障场景分类
• 文件系统故障场景专项分析指南
• InfoCollect 诊断指南
• OS Messages 诊断指南
• Huawei iBMC 分析
• H3C iBMC 分析
• Inspur iBMC 分析

---