过度推断型误报:一次 NVMe 故障诊断的自我审计
一块盘,两个相反的信号
先说结论:我的系统盘确实有问题,但我最初关于它有多糟的那套描述,是错的。
这篇文章记录的不是”我发现了一块坏盘”,而是”我如何把一堆真实数据,讲成了一个假故事”。
事情起源于两个互相矛盾的东西:
- 固件层面:NVMe
Critical Warning = 0x04,Media and Data Integrity Errors(SMART 里的 0E 计数)已经到六位数; - 工具层面:Windows 的
Get-PhysicalDisk报告HealthStatus = Healthy,各种”健康度”面板显示剩余寿命很高。
普通人看到这种组合,通常会相信后面那个,因为它有进度条,看起来像个结论。而我选择相信前面那个,去做了实测。
实测结果很吓人。
一、实测拿到的全部是硬数据
我用一个自写的扫描器,对 \\.\C: 做同步顺序读:每次 8 MiB,失败后重试一次,仍失败就跳过整个窗口并记账。全程只读、不写。
关键指标:
| 指标 | WD PC SN810 512GB |
|---|---|
| Critical Warning | 0x04 |
| Media and Data Integrity Errors (0E) | 160,454 |
| Error Information Log Entries | 160,454 |
| Available Spare | 100 %(阈值 10 %) |
| Percentage Used | 3 % |
| 通电时间 | 3,628 小时 |
| 上电次数 / 异常断电 | 1,262 / 52 |
| Data Units Read | 53.93 TB |
| Data Units Written | 32.61 TB |
| 温度 | 43–60 ℃ |
顺带一提,
Available Spare = 100 %和Percentage Used = 3 %没有显示备用空间不足或高磨损。它们说明这块盘在”磨损”这个维度上还很年轻,但不能排除介质、控制器、固件或映射系统出问题的可能——这两件事本来就不是一回事。
扫描结果的空间结构极其整齐:
- 从卷起始到 111.79 GB,读取正常;
- 从 111.79 GB 开始,几乎每个 8 MiB 窗口都失败,Windows 返回
errno 23(ERROR_CRC); - 一路失败到卷尾;
- 同一份扫描代码读 F: 盘(另一块 1 TB 的 Fanxiang),1024 GB 零错误。
最终记录了 47,438 次失败的读取请求。
那一刻我的判断是:这块盘完了,而且坏得很规整——从 111.79 GB 到卷尾,整整 363 GB 的逻辑地址空间全是坏区(卷容量 474.71 GB)。
我甚至拿”已用空间 410 GB”去解释这个边界,说”坏块正好落在已用空间里”。这个解释听上去无比顺滑,顺滑到我没有去检验它。
二、我说错了三件事
后来我自己复核,把当时的话一条条拆开:
| 我当时的说法 | 实际情况 |
|---|---|
| “约 190 GB、37 % 的磁盘已经损坏” | 无依据。8 MiB 窗口失败 ≠ 8 MiB 全是物理坏块 |
| “发现了 47,438 个坏块” | 无依据。这是失败请求计数,不是物理坏块数 |
| “磁盘可能在几天到几周内报废” | 无依据。没有任何一条 SMART 字段能换算成天数 |
三条错法其实同源:我把”程序观察到的事实”直接当成了”设备的物理属性”。
一次 8 MiB 读取失败,可能对应 1 个坏扇区,也可能对应这 8 MiB 里 16,384 个扇区全坏,甚至可能是”这个逻辑地址根本没映射到物理闪存”。这三种情况的物理含义天差地别,但对扫描器来说长得一模一样。
同理,111.79 GB → 卷尾 这个地址跨度,只是”扫描器在哪一段反复失败”,它描述的是逻辑地址空间里的一个区间,而不是”NAND 颗粒碎了 363 GB”。逻辑地址到物理单元的映射由 SSD 控制器和 FTL 管理,主机侧读不到。
至于”几天到几周”——这不是推断,这是编。我没有任何连续监测序列,只有两个时点。
三、外部审阅:这有没有可能是”误报”?
我把完整报告交给外部审阅(ChatGPT)看了一遍。它没有被我的表格说服,而是反过来问了一句:有没有可能,这是一次误报?
这个质疑提得非常对,而且不是”你算错了”这种对,是”你的推理结构可能整个站不住”这种对。
但它只是提出怀疑,不是裁决。真正回答这个问题的,是我自己回到原始日志、计数器和脚本代码做的那几项复核(第四、六节)。外部审阅的价值在于”提出一个我没想到的反例”,而不是”给出一个结论”。
另外,它用的词是 “false alarm”,我不太满意。因为”误报”这个词暗示底层观测是假的——好像扫描器抽风了,或者我把扇区大小算错了。
这次不是。
这次是:底层观测全部为真,但由观测到结论的那段推导,被我一口气跨过去了。
我给它起了个名字,叫过度推断型误报(Over-Inference False Alarm):
观测为真,结论为假(或至少不可被观测支持)。 数据本身没错,错的是”这些数据能证明什么”。
为了把它和普通误报区分开,我列了张表:
| 经典误报(假阳性) | 过度推断型误报 | 静默失真 | |
|---|---|---|---|
| 底层观测 | 假 | 真 | 假 |
| 结论 | 假 | 假 / 未证实 | 假 |
| 表现形式 | 报出异常 | 报出异常精确的结论 | 看起来完全正常 |
| 能否被复测发现 | 能(重跑就对不上) | 难(数据都指得出来源) | 极难(除非你有独立基准) |
| 危害 | 一惊一乍 | 看起来最专业,最容易被信 | 永远不被发现 |
过度推断型误报最阴险的地方在于:它比正确答案长得更像正确答案。
一个说”我发现了 47,438 个坏块,占盘 37%,预计几天内报废”的回答,有单位、有百分比、有时间窗,看上去像是从底层扒出来的。而一个说”读取确实在失败,但我无法判断坏了多少”的回答,听上去像在推卸责任。
精度本身是一种说服力,而它和证据强度是两回事。
四、那它到底是不是真问题?——反向取证
概念说清楚了,还得回答一个更实际的问题:这块盘到底有没有事?
如果只是”扫描器报错”,那完全可能是我的代码有问题。所以我做了三轮独立取证。
4.1 内核说:设备数据错误
在扫描期间,Windows 系统日志出现了大量 Event ID 7(来源 disk,disk.sys)。原始 XML:
<Provider Name='disk'/>
<EventID Qualifiers='49156'>7</EventID>
<Level>2</Level> <!-- Error -->
<TimeCreated SystemTime='2026-10-21T17:52:29.5376894Z'/> <!-- UTC,本地 01:52:29 -->
<Execution ProcessID='4' ThreadID='2412'/> <!-- System 进程 -->
<EventData>
<Data>\Device\Harddisk0\DR0</Data> <!-- 对应 disk0 = C: -->
</EventData>
几个关键点,我逐条核过:
- 来源是
disk,无 Provider GUID —— 内核disk.sys直接注册的经典事件源,不是厂商软件,也不是我的脚本; ProcessID = 4—— System 进程,用户态程序无法伪造;- 设备标识 100 % 是
\Device\Harddisk0\DR0—— 我统计了 01:50–01:56 窗口内全部 48,358 条,没有一条来自 disk1; - Binary 偏移 0x14 是
9C 00 00 C0,小端解出0xC000009C,即STATUS_DEVICE_DATA_ERROR(设备数据错误)。
4.2 三个计数器,同步增长
这是整次审计里最值得拿来交叉检验的一条横向证据:
| 计数器 | 数值 | 谁在数 |
|---|---|---|
| 扫描器失败次数 | 47,438 | 我的用户态代码 |
| Windows Event 7 | 48,358 | 内核 disk.sys |
| 0E 增量(同一 130 秒内) | 91,106 | SSD 固件自己 |
两个比值:事件数 / 失败数 ≈ 1.02,固件计数增量 / 事件数 ≈ 1.88 ≈ 2。
这三个数字来自用户态、内核和固件三个不同层,在同一个时间窗口里同步增长——这个相关性是有价值的。但必须说清楚它不能证明什么:
- 不能证明”一次读取失败 = 1 条内核事件 + 2 个固件计数”这种精确对应;
- 它们完全可能由同一条底层错误链触发(内核报错 → 驱动重试 → 固件各记一次),而不是三次彼此独立的观测;
- 事件、重试与固件计数的记账口径我并没有独立验证过,所以这两个比值目前只是相关性,不是换算公式。
它能支持的最强结论是:扫描期间确实发生了真实的设备级读取异常,不是我的代码或我的转述凭空造出来的。
但它不足以证明”我的代码完全没误报、驱动层也不可能瞎报”——我只是排除了”凭空捏造”这一种最极端的可能。
4.3 但是——我在扫描之前并不知道坏在哪
这里有个我必须承认的事:
111.79 GB 这个边界,不是我事先知道的,是我扫描扫出来的。
我扫了,所以那 363 GB 的区间开始疯狂报错;我看到了报错,然后说”这块盘有大面积坏区”。
这在方法上是不干净的。扫描改变的是被观察的条件,不是设备本身。 顺序读可能触发了潜在的故障,也可能只是第一次访问到了平时根本碰不到的逻辑地址——这两种解释我无法区分,目前也没有任何证据证明读取行为真的改变了盘的状态。
所以能说的只有一句:扫描期间的故障频率,不能直接当作日常使用的故障频率。
更关键的一点在时间分布上:
我查了 60 天的 Event 7:总共 48,511 条,全部集中在扫描的那 138.7 秒里。这 60 天的事件日志中,扫描窗口之外没有出现过一条 Event 7。
这个证据只能支持到这个程度:已观察到的设备级错误,集中出现在扫描期间。 它不能证明日常使用绝对没有读取错误——Windows 只在部分失败路径上写 Event 7,一次读失败也可能被上层重试吞掉,或者只留在某行应用日志里。
但它确实改变了我对风险的排序:这块盘至少不是”每天都在报错的盘”,而更像”在一种特定的、高强度的访问模式下会大面积失败的盘”。
五、第二次犯错,这次更隐蔽
修监控脚本时,我发现了一个更阴的 bug。
我写了个 PowerShell 脚本,每天读一次 NVMe SMART 日志页,追加到 CSV。跑了几次,数据长这样:
2026-10-22T01:54:32 WD read 53.87 TB written 0.00 TB 0E 154746
2026-10-22T01:54:39 WD read 53.89 TB written 0.00 TB 0E 156684
written = 0。两块盘都是 0。
这个 0 是合法的、合理的、不会触发任何告警的。
如果我信了它,我会得出一个完全错误的结论:”这块盘几乎没被写过,非常新,磨损可以忽略。”——它甚至和我原本”盘还很新”的判断互相印证,形成闭环。
真相是:C# 里 ReadLog() 返回的 528 字节中,前 8 字节是 NVMe 协议头,真实日志页从 d[8] 开始。而解析辅助函数写的是 ToUInt64($d, $o + 8),也就是说,传入的偏移应当是日志页内偏移。
- 读字段在日志页偏移 32 →
U64 32→ 实际取d[40:48]✅ - 写字段在日志页偏移 48 → 应该
U64 48→ 实际取d[56:64] - 但脚本写的是
U64 40→ 取到d[48:56],即读字段的高 64 位——而读计数只有 48 位有效,高半部恒为 0
所以 written 永远等于 0。修一个常量:
- $wu = U64 $d 40
+ $wu = U64 $d 48
验证:不碰盘面
我给自己定过一条规矩:不要为了验证而重新扫描。所以我把报告里那 512 字节原始 dump 抠出来,构造 528 字节数组(前 8 字节补 0 模拟协议头),用脚本完全相同的解析逻辑跑一遍,再和一个独立写的 Python 实现比对:
| 字段 | 旧偏移 40 | 新偏移 48 | Python 独立基线 |
|---|---|---|---|
| Data Units Written | 0 | 63,689,857 | 63,689,857 |
| 换算 | 0.00 TB | 32.61 TB | 32.61 TB |
旧偏移读出 0、新偏移读出 32.61 TB,且与独立实现逐字节吻合。bug 成立,修复有效,全程零 I/O。
端到端复跑后:WD 写入 32.61 TB,Fanxiang 写入 8.69 TB(此前也是一直显示 0)。
顺便,这个修复还顺带纠正了我上一轮审计里的一个错误:我曾说过”Fanxiang 的独立读数是 1.01 TB”,那是误读。read_TB 这一列一直是正确的(11.18 → 11.19 连续递增可印证)。
这个 bug 属于第三类:静默失真。 它不报错、不报警、数值合法,只是在语义上完全错了。它比”过度推断”更难发现,因为过度推断至少还会让人起疑,而 0 看起来就像一个诚实的观测值。
六、我做对了什么(以及方法本身)
回头看,这次能纠正过来,靠的不是聪明,是几个很笨的动作。
6.1 回到原始字节,不看摘要
不看自己写的报告结论,而是重新打开:
- 扫描器的读取粒度、重试策略、失败记账方式;
- Windows 返回的错误码原文;
- Event 7 的原始 XML(而不是”事件日志里有 4 万条错误”这种转述);
- SMART 的原始字段值(不是百分比)。
转述会吃掉关键信息。比如”48511 条错误”,转述里没人会问”那另外 60 天呢?”——而这个问题恰恰是整件事的转折点。
6.2 对每个计数器,先问三个问题
- 它统计的对象是什么?(请求?扇区?事件?)
- 一次故障会不会让它加多次?(这里就是 ×2)
- 多个计数器会不会来自同一个底层故障?(0E 和 Error Log Entries 在本固件上恒等,是同一个源,不能当两条证据用)
第三个问题我一开始就答错了:我拿”0E = 160454”和”Error Log Entries = 160454”当两个独立指标互相印证,实际上它们是同一个数抄了两遍。
6.3 承认”我不知道根因”
证据能支持到什么程度?只能到这里:
- NAND 介质本身有问题;
- FTL 映射或控制器内部状态异常;
- 固件缺陷;
- TRIM / 未映射地址的读取行为;
- PCIe 链路或别的底层问题。
五种可能,一个都排除不掉。 任何声称”就是闪存颗粒坏了”的说法,都是在没有 NAND 层访问能力的前提下编故事。
6.4 结论按证据强度分层
最后我在报告里写的是三档,而不是一个结论:
- 已证实:扫描期间出现大量读取失败;内核同时报告指向该盘的
STATUS_DEVICE_DATA_ERROR;固件 0E 在此窗口显著增长;这 60 天的事件日志中,扫描窗口之外未发现同类事件(不排除未被记录的失败)。 - 较可能:这块盘的读通路存在真实缺陷,不适合作为唯一可信存储。
- 尚不能判断:物理损坏容量、坏块数量、具体根因、剩余寿命。
6.5 让外部来审
最后一步是把它交给外部 AI 审一遍。它没有被我的表格说服,而是直接问:”这有没有可能是误报?”
这个提问本身,比它给出的任何一条具体意见都值钱。 因为它逼我从”我的证据对不对”切换到”我的证据能不能支撑这个结论”——这是两个完全不同的问题。
但审阅只能提出问题,不能给出答案。它说”可能是误报”之后,真正要回答”到底是不是”,靠的还是回到原始日志、核对计数器口径、重读脚本代码。外部质疑是起点,证据是终点。
七、最后的实际决策
我不是”这块盘没事”,也不是”它马上要炸”,而是:
- 重要数据已有独立备份;次重要数据还没备份,这是待办;
- 不把它当作唯一可信存储;
- 停止反复扫描可疑区域(继续扫只会制造更多日志,不产生新信息,还增加负载);
- 上只读监控:一个 SYSTEM 权限的计划任务,开机 + 每日 12:00 读一次 512 字节 SMART 日志页,追加一行 CSV,不读盘面、不扫描;
- 观察两个指标的趋势:
0E和Critical Warning。
监控刚部署完,试跑成功(返回码 0)。CSV 里 4 行 written=0 的无效历史已清掉,原文件备份在 smart_history_legacy_written_bug.csv。
注意一个诚实的边界:目前 CSV 只有 4 行,但那只是 2 个时点(每次采集同时写两块盘)。 2 个点不能算趋势,更不能外推。要说”它在恶化还是稳定”,至少要积几天。
判读口径我先定好,免得以后自己骗自己。下面是个人采用的保守处置规则,不是 NVMe 协议规定的故障判据——”每天涨几千”这个阈值是我自己拍的,标准里没有这个数:
| 信号 | 我的处置(经验规则) |
|---|---|
| 0E 持平、CW 仍 0x04 | 静止,继续观察 |
| 0E 每天数千量级增长,CW 仍 0x04 | 恶化,备份优先级上调 |
| CW 出现 bit3(0x08,只读模式)或 bit0(0x01,备用块低于阈值) | 提高处置级别:先确认备份可读,再考虑停用 |
| 日常(未主动扫描时)再次出现 Event 7 | 性质变化,不再是”只有压力才暴露” |
CW 的每一位在 NVMe 规范里都有明确定义,我按标准位理解;但”出现哪一位就必须立刻停用整机”是我的判断,不是标准的要求。
另外关于 “健康工具显示 Healthy”:它不是”没有信息量”,而是粒度有限。Get-PhysicalDisk 的 HealthStatus 是一个汇总状态,它既覆盖不了单次介质错误的计数,也推翻不了 Critical Warning = 0x04。我没有去核对这版驱动和 Windows 具体怎么计算这个值,所以我只能说:它和原始 SMART 字段不是一个层级的东西,不能拿来互相抵消。
八、给所有做诊断的人(也给我自己)的五条规则
- 区分观测与推断。 每一句结论都要能回答:”这条来自哪个工具、哪一行输出?”答不出来的,就不该出现在结论区。
- 先问单位,再问数值。 失败次数、地址跨度、物理容量、寿命百分比,是四种不可互换的量。把它们放进同一个句子里,句子就废了。
- 精度的上限由证据决定,不由表达能力决定。 想说”37 %”,得先有能算出 37 % 的东西。
- 诊断动作本身有代价,而且会改变被观察的条件。 扫描既是测量也是加压;把”在特定条件下才出现的现象”当成”设备的日常症状”,是最容易犯又最难自查的错误。
- 允许撤回,并且要明说撤回。 不是把”一定”改成”可能”,而是明确写:”关于 190 GB 的那条结论是错的,撤回。”
如果要把这些落成工程约束,大概是:每条诊断结论都必须带四个字段——证据来源、推理步骤、必要假设、以及”什么观测能推翻它”。第四个字段最有价值,因为它逼你想清楚这个结论到底有多脆。
结语
这次真正值得记录的,不是”一块 SSD 出问题了”。
而是:我拿着一堆真实的、可复现的、能指到具体字节的数据,讲了一个这些数据支撑不起的故事。
那个故事里有 190 GB、有 47,438、有”几天到几周”——每一个数字我都能指出它的出处,但它们拼在一起时,多出来的那部分含义是我加进去的,不是数据给的。
过度推断型误报的危险不在于它会骗过别人,而在于它会骗过带着工具的自己。
所以我最后交付的东西,不是”这盘还能用多久”,而是把它拆成了一组可以被验证、被监测、也可以被诚实地说”不知道”的问题:
- 它日常会不会报错?(已查:60 天日志内、扫描之外未见 Event 7,但这不是”绝对没有”)
- 它在压力下会不会报错?(已查:138 秒内 4.8 万次)
- 它的错误计数会不会继续涨?(待观察:需要连续数据)
- 它坏在哪里?(不知道,五种可能一个都排除不掉)
这四个问题比一个吓人的倒计时有用得多。因为倒计时是编的,而这四个问题是真的。