3. 存储性能故障诊断方法论
存储性能问题最棘手的地方在于：用户报障时往往只说“系统变慢了”，而“慢”可能来自应用、主机、SAN 链路、阵列前端、后端或介质任意一层。要把它变成可诊断的问题，第一步是把模糊的“慢”翻译成可量化的指标。Pure Storage 环境下的性能诊断，核心围绕三个正交指标展开：IOPS（每秒 I/O 次数）、带宽（每秒传输字节数）和时延（单个 I/O 从发出到完成的时间）。三者不是并列的“三个数字”，而是互相约束的关系：在固定队列深度下，IOPS 上升通常伴随时延上升；块大小变化会让同样 IOPS 对应完全不同的带宽。
理解这一点，可以用一个简单关系式来把握：带宽 ≈ IOPS × 平均 I/O 块大小。例如某数据库卷观测到 40,000 IOPS、平均块大小 8 KiB，则带宽约为 40000 × 8 KiB ≈ 312 MiB/s；若同一负载块大小变为 64 KiB，即使 IOPS 降到 8,000，带宽仍约为 500 MiB/s。这说明“IOPS 掉了”未必是性能下降，可能只是访问模式从随机小块变成了顺序大块。诊断时必须先确认工作负载的块大小与读写比例，再判断指标是否异常。
时延是用户感知最直接的指标，也是定位瓶颈的关键。Pure Storage 通常把时延拆分为多个区间：阵列前端处理时延、后端（介质）时延、以及主机侧观测到的总时延。若主机侧时延高而阵列内部时延正常，问题多半在主机、HBA、交换机或链路；若阵列内部时延升高，则需进一步看是前端过载、后端介质压力，还是复制/快照等后台任务抢占资源。Pure1 的性能分析视图正是按这种分层方式呈现数据，帮助把“慢”定位到具体区间。
有了指标，还需要一把“尺子”来判断正常与否，这就是性能基线。基线不是厂商给出的通用阈值，而是特定业务在特定时间段内稳定运行时的指标区间。建立基线的合理做法是：选取业务正常运行的连续 2～4 周数据，按工作日/非工作日、业务高峰/低谷分别统计 IOPS、带宽、时延的 P50、P95、P99 分位值，并记录对应的块大小、读写比、队列深度。例如某 ERP 系统基线为：工作日 9:00–11:00 时延 P95 约 1.2 ms、IOPS 约 25,000、块大小 8 KiB；月末结账时段时延 P95 可放宽到 2.5 ms。当某天同时段时延 P95 升到 4 ms 而 IOPS 未明显变化时，就说明存在异常，而不是“业务本来就忙”。
Pure1 是建立和比对基线的重要工具。它持续采集阵列遥测数据，提供性能趋势、异常检测和跨阵列对比。实际使用中，可以按卷、主机、阵列三个粒度查看时延与 IOPS 曲线，并利用时间范围对比功能把当前时段与历史同时段叠加。一个典型操作是：在 Pure1 中选中目标阵列，进入 Performance 视图，将时间窗口设为“最近 24 小时”，再叠加“上周同一时段”作为参考线；若当前时延曲线明显高于参考线且持续超过 15 分钟，即可判定为异常事件，再下钻到具体卷或主机定位来源。
常见性能瓶颈大致可分为四类，定位思路各有侧重。第一类是前端过载：表现为阵列前端时延升高、控制器 CPU 利用率接近上限，通常由单一主机或卷产生过高 IOPS 引起。此时应检查是否存在异常扫描、备份窗口与业务高峰重叠，或某主机多路径配置不当导致流量集中到单个控制器端口。第二类是后端介质压力：表现为后端时延升高，常见诱因包括垃圾回收频繁、闪存模块接近寿命、或大量随机写导致写放大。可通过 Pure1 的介质健康与写放大指标辅助判断。第三类是链路瓶颈：主机侧时延高但阵列内部正常，需检查交换机端口误码、拥塞、zone 配置以及多路径是否真正生效。第四类是配置与访问模式问题：如块大小与业务不匹配、队列深度设置过低导致无法压满阵列、快照与复制任务在高峰时段运行等。
调优策略应遵循“先定位、后调整、再验证”的顺序，避免盲目改参数。针对前端过载，可考虑将高负载卷分散到不同控制器端口、调整多路径策略为 round-robin、把备份/扫描任务移出高峰时段。针对后端压力，可检查是否有大量小随机写，评估是否可通过应用侧合并写或调整条带化改善。针对链路问题，优先排查物理层误码与交换机拥塞，而不是先怀疑阵列。针对配置问题，应结合基线数据设定合理的队列深度和块大小，并在调整后重新采集 1～2 小时数据，与基线对比确认时延 P95 是否回落、IOPS 是否恢复。
把上述方法串起来，一次完整的性能诊断通常包含：确认业务现象与影响范围 → 采集 IOPS/带宽/时延及块大小、读写比 → 与基线对比判断是否异常 → 利用 Pure1 分层视图定位到主机、链路、前端或后端 → 针对该层采取调优动作 → 重新采集数据验证是否回到基线区间。整个过程的核心不是记住某个阈值，而是建立“指标—基线—分层—验证”的闭环思维，让每一次性能问题都能被量化、定位和复现。