PVE/VM 故障排查：從 IO 指標到硬體調整

常見症狀

• VM 回寫速度變慢、frequent flush 或備份失敗。
• Grafana / Zabbix / LibreNMS 呈現 IO wait 長時間高於 10%。
• 同時段可能伴隨應用逾時、資料庫 checkpoint 拉長或 API 響應抖動。

前置量測基準

1. 時間窗對齊：先對齊 PVE 節點、VM、監控系統時區與時間戳，避免跨系統比對誤判。
2. 負載分層：區分業務高峰、備份窗口、維護窗口的 IO 型態，避免把短期尖峰誤當長期瓶頸。
3. 儲存路徑辨識：確認問題 VM 對應的 datastore、RAID/控制器與底層媒體類型，建立故障定位路徑。

分析流程

1. 蒐集指標：從 iostat, pveperf, PBS log 以及 Grafana 圖板取得 IO wait、讀寫 IOPS、延遲。
2. 排程檢查：確認備份、GC、Prune、掃描任務是否撞在尖峰時段，必要時錯峰或拆分時程。
3. 硬體檢查：確認磁碟健康度、控制器快取模式、寫入策略與韌體版本，排除底層裝置退化。
4. VM 層面檢查：檢查 VM 是否有大量同步寫入、IO 排程不當或檔案系統碎片問題。
5. 關聯比對：把 IO wait 峰值與業務事件、備份事件、告警事件對齊，確認是否為同一根因。
6. 改善方案落地：依根因調整備份排程、優化 VM 寫入模式、升級儲存媒體或校正控制器參數。

常見根因與處理順序

1. 排程碰撞型瓶頸：先拆分與錯峰任務，再觀察 IO wait 是否回落。
2. 媒體性能不足：若長期高延遲且 IOPS 觸頂，優先評估 SSD/NVMe 或儲存分流。
3. 控制器設定不當：校正快取策略與寫入模式後，再比對回寫延遲與 flush 行為。
4. VM 寫入模式不匹配：對高同步寫入服務優化 guest FS 與應用寫入策略，降低尖峰阻塞。

技術檢核清單

1. IO wait 與延遲峰值可對應到具體事件時間窗。
2. 排程碰撞已被拆分或錯峰，且觀測到改善趨勢。
3. 儲存媒體與控制器健康狀態已完成檢查並有紀錄。
4. VM 層寫入行為與儲存策略已完成對應調整。
5. 改善後至少跨一個完整業務週期仍維持穩定。

參考資料

• Linux iostat Manual
  https://man7.org/linux/man-pages/man1/iostat.1.html
• Proxmox VE Performance Tips
  https://pve.proxmox.com/wiki/Performance_Tweaks
• Proxmox Backup Server Documentation
  https://pbs.proxmox.com/docs/