一家云存储服务商公布了第二季度的硬盘运行数据。这一季监控了 359,101 块硬盘，剔除不满足统计条件的启动盘之后，进入统计的是 354,415 块。季度年化故障率 1.73%，是近几个季度的高位。截至 6 月 30 日的全生命周期年化故障率 1.41%，比上季略有上升。单看这两个数，容易得出硬盘变差的结论。把分布和样本量铺开，结论会变。
入选门槛决定数字含义
统计按型号给出，门槛是样本超过 100 块、盘天数超过 10,000 天。年报表和生命周期表的门槛更高。为什么要设门槛，这一季的三个异常值最能说明。一款 10TB 盘样本 965 块，故障 22 次，年化故障率算出来 9.33%。另一款 14TB 盘样本 1,235 块，故障 25 次，8.26%。绝对次数都不高，样本一小，比率被放大。按四分位分析，异常线划在 6.95%，这三款都在线上。报告里点名了两款的年龄，一款接近七年，一款接近八年半。
零故障同样有样本量问题
这一季有三款盘零故障，样本分别是 239、1,079 和 497 块。零故障很醒目，它同样受样本限制。生命周期表里有一款 16TB 盘在 35,100 块的规模上年化故障率 0.68%。这个数字的信息量远高于小样本的零。厂商、型号、容量、服役月数、样本数和故障次数要一起看，单独挑一个比率排名会失真。
分布偏高与结构变化
31 个纳入统计的型号里有 10 个年化故障率超过 3%。报告里提到这个分布比往常偏高，也还没做完整的稀有度分析。这一季有两款服役接近九年和八年的老盘完全退出，连续两个季度没有新增型号。新部署集中在 20TB 以上，这部分已经超过样本的四分之一。老盘退役和结构上移同时发生。哪一个在推高平均值，报告里没给结论，只提醒后面几个季度继续看。
容量上升带来的介质变化
厂商提高单盘容量的办法之一是改变磁道排布。传统记录让磁道并列，中间留保护间隔，改写任意磁道互不影响。叠瓦式记录把磁道部分重叠，同一块盘片上能多放大约 10% 到 25% 的数据。代价是改中间一段可能牵动覆盖它的部分，磁道于是按带或区组织，更新数据可能要重排整个区域。按管理者分三种，盘内固件自行处理、主机按区顺序写、两者结合。读性能两者接近，顺序写都合适，差别集中在随机重写和复杂度由谁承担。
选型和运维上要改的判断
密度提升带来的是每盘位更多太字节、每机架更低功耗。采购的算法从单价太字节变成项目规划。叠瓦盘适合顺序写和追加型负载，频繁小块重写的场景要先做持续写测试和重建性能测试，校验冗余开销、固件版本和上层存储软件都要纳入评估。热辅助磁记录是另一条路线，用激光瞬间加热盘片上的微小区域，写入更小更稳的磁粒，玻璃基板在 2.5 英寸产品上已是标配。两条路线可以叠加，选型时要先看负载形态，再比容量和价格。
常见问题
年化故障率 1.73% 算高吗？
要看跟谁比。同口径的季度数相比，这一季偏高，但还没到需要更换供应商的程度。需要警惕的是某个型号在自己的样本上连续几季走高。
能拿这份数据买盘吗？
样本量小的型号参考价值有限，寿命结论要等生命周期表。数据中心选型还要叠加重建时间、功耗曲线和固件缺陷记录，季度故障率只是其中一项。
原始数据能自己算吗？
可以。逐型号的样本数、盘天数和故障次数整理成了开放数据集，下载条款允许自用，附带署名和不转售两项条件。自己复算一遍比看汇总表更靠得住。