50000 - Incident-Report — 02.09.2026: NAS-Platte rot, homeserver aus Tailscale verschwunden
Quelle: pkr-lab/pkr-lab-docs/capulus/capulus-core/5-incidents/50000-nas-disk-red-homeserver-unreachable.md
Incident-Report — 02.09.2026: NAS-Platte rot, homeserver aus Tailscale verschwunden
| Zeit/Status | Ereignis |
|---|---|
| ? | UGREEN NAS 4800 Plus zeigt eine der beiden RAID1-Platten als rot (Fehlerstatus) |
| ? | homeserver in Tailscale als offline angezeigt |
| ? | Vor Ort geprüft: Server läuft physisch, war aber nicht per SSH erreichbar |
| — | Nicht zuhause → keine SSH-Session möglich, Diagnose bisher nur Verdacht |
Noch nicht verifiziert (kein SSH-Zugriff während des Vorfalls) — dieses
Doc hält die Hypothese und die Schritte fest, die beim nächsten Zugriff
(vor Ort oder sobald Tailscale/SSH wieder geht) abzuarbeiten sind.
Ursache (Hypothese)
homeserver bezieht PVCs mehrerer Apps per NFS vom NAS (StorageClass nas,
siehe capulus-core/2-betrieb-hardware/20000-nas-storage.md) — u. a. n8n,
paperless-ngx, wikijs, mealie, minio. Standard-NFS-Mounts sind
hard mounts: hängt der NFS-Server (Platte degradiert/Pool im Fehler-
zustand), blockieren Prozesse, die auf diese Mounts zugreifen, im
Kernel-I/O-Wait (D-State) — unendlich, nicht mit Timeout. Bei
genügend blockierten Prozessen/Kernel-Threads kann das den ganzen Node
so weit lahmlegen, dass auch tailscaled und sshd nicht mehr auf
Anfragen reagieren, obwohl der Rechner selbst läuft (Strom an, Ping
eventuell noch ok, aber keine Anwendungsebene mehr erreichbar) — das
erklärt "Tailscale zeigt offline, Server steht aber an".
Eine rote Platte im RAID1 bedeutet: Array läuft degradiert (nur noch
1 von 2 Spiegel-Platten gesund) — kein Datenverlust an sich, aber:
- kein Redundanz-Schutz mehr, fällt die zweite Platte auch aus → Datenverlust
- je nach Fehlerbild (SMART-Warnung vs. tatsächlicher I/O-Fehler der Platte)
kann der NAS-Storage-Controller bei jedem Lese-/Schreibversuch auf die
defekte Platte hängen bleiben/retryen, was NFS-Antwortzeiten massiv
verschlechtert oder ganz blockiert — genau der Trigger für obiges
Hard-Mount-Problem aufhomeserver.
Fazit: Eine defekte Platte allein sollte bei RAID1 keinen Totalausfall
verursachen — die Kettenreaktion zum kompletten Erreichbarkeitsverlust von
homeserver läuft vermutlich über hängende NFS-Mounts, nicht über die
Platte selbst.
Diagnose-Schritte (sobald wieder Zugriff — vor Ort oder per SSH)
- NAS zuerst: UGOS → Speicher-Manager → welche Platte ist rot, SMART-
Status im Detail. Grafana-Dashboard "Speicher & Laufwerke" prüfen
(S.M.A.R.T.-Tabelle, siehe capulus-ansible/2-betrieb-hardware/20060-hardware-monitoring.md und capulus-core/2-betrieb-hardware/20000-nas-storage.md#monitoring-grafana-hardware-dashboards)
— Health/Temperatur/Power-On-Hours der betroffenen Platte, plus
Verlauf vor dem Ausfallzeitpunkt (Vorwarnung verpasst?). - homeserver, sobald erreichbar:
uptime # war der Node durchgängig an, oder gab es einen Reboot? dmesg -T | grep -i nfs # "nfs: server ugreen-nas not responding" o. ä. journalctl -u tailscaled --since "<Ausfallzeitpunkt>" journalctl -u ssh --since "<Ausfallzeitpunkt>" ps aux | awk '$8 ~ /^D/' # hängende Prozesse im Uninterruptible-Sleep mount | grep nfs # aktuelle Mount-Optionen (hard/soft, timeo) - Grafana-Verlauf
homeserver(CPU/Load/IO-Wait) über den Ausfallzeitraum
ansehen — Load-Spike + fehlende Metriken ab Ausfallzeitpunkt stützt die
NFS-Hang-Hypothese. - Prüfen, ob
nas-storage/nfs-subdir-external-provisioner-Pod in dieser
Zeit ebenfalls Fehler zeigte (kubectl -n nas-storage logs ..., sobald
Cluster wieder ansprechbar ist).
Sofortmaßnahmen
- Defekte Platte ersetzen, RAID1-Rebuild starten (UGOS führt durch den
Austausch-Assistenten). Bis dahin Array degradiert — Backup-Lauf
(externe USB-Platte, siehe capulus-core/2-betrieb-hardware/20010-nas-backup.md)
zeitnah manuell anstoßen/verifizieren, falls der letzte planmäßige Lauf
vor dem Vorfall lag. - Falls Diagnose den NFS-Hang bestätigt: Mount-Optionen für die
nas-
StorageClass/den Provisioner aufsoft,timeo=<n>,retrans=<n>statt
hardprüfen — verhindert, dass ein NAS-Hänger den ganzen Node lahmlegt
(Tradeoff:softkann bei kurzen Hängern zu I/O-Fehlern in Apps führen,
statt nur zu warten — Abwägung dokumentieren, falls umgesetzt).
Langfristige Verbesserungen (Ideen)
- Out-of-Band-Zugriff auf
homeserver, wenn Tailscale/SSH durch genau
so einen Hang blockiert sind (Smart-Plug für Reboot-Option, oder ein
zweiter, unabhängiger Fernzugriffsweg). - SMART-Alerting:
smartctl_exporterliefert die Daten bereits — noch
kein Grafana-Alert/Benachrichtigung (siehe 1-benachrichtigungen/)
aufsmartctl_device_smart_status != 1, damit eine rote Platte nicht
erst beim Totalausfall auffällt. - Tailscale-Alerting: Benachrichtigung, wenn ein Node offline geht,
statt es zufällig zu bemerken (Tailscale-Webhooks oder eigener
Uptime-Kuma-Check aufhomeserverüber den Tailscale-Namen).
Offene Punkte
- Diagnose-Schritte oben nach dem nächsten Zugriff abarbeiten,
Hypothese bestätigen oder verwerfen. - Betroffene Platte identifizieren und ersetzen, RAID1-Rebuild
verifizieren. - Falls bestätigt: Mount-Optionen (
hard→soft) fürnas-
StorageClass evaluieren. - SMART- und Node-Offline-Alerting einrichten.