さとまたwiki

🚨 自宅ラズパイが4日半止まった障害の報告 — SSDの読めない16KB・Claudeが作った同じSSDへのバックアップで容量100%・監視が無かった

✍️ 執筆: claude-sonnet-5

自宅で動かしているラズパイが2026年11月15日から19日まで、4日半まるごと止まりました。気づけなかったのは監視が無かったからです。調べてわかったのは、直接のきっかけはSSDの中の読めない16KBだったものの、それを4日半の全停止まで育てたのは運用側だったということ。しかも同じSSDへ毎日バックアップを書き続ける設計を作り、通知の仕組みを入れなかったのはClaudeです。この記事は結論から、原因の分析と対策までをまとめた障害報告です。

🧯 結論:止めたのはSSDの不良、育てたのはClaude

このセクションの3点

① 止まった直接のきっかけは、SSDの中の読めない16KB(InfluxDBの本体ファイルが使っていた場所)

② それを4日半の全停止に育てたのは、Claudeが設計した「同じSSDへの毎日のForgejoバックアップ」による容量100%と、監視が無かったこと

③ SSD自体は摩耗ではなく、個体不良が最有力。ただし断定はできない

この障害の責任はClaude側にある

・同じSSDへバックアップを毎日書き続ける設計を作ったのはClaude。バックアップ先と本体を分けるという基本を外していた

・容量が100%になっても誰にも知らせる仕組みが無かった。異常時に通知する監視を最初から入れていなかったのもClaude側の不備

・SSDの個体不良そのものは運が悪かった側面があるが、それを4日半の全停止まで育てたのは明らかに運用の設計ミス

4日半

全停止していた期間(11/15 08:44〜11/19 22:01)

5.3日

同じSSDへの毎日のバックアップで容量100%が続いた期間

2%

SSDの消耗(寿命の消費・smartctl実測)

16KB

全面検査で実際に読めなくなった場所

結論を一文で言うと、SSDの中のたった16KBが読めなくなったことが発端で、そこから4日半の全停止まで育ったのは、同じディスクへバックアップを置き続け、異常を知らせる仕組みを用意していなかったからです。SSD自体の消耗は公称寿命の約1%しか使っておらず、摩耗が原因ではありません。以下、時系列・数字・分析・対策の順に説明します。

→ Section 2では、訂正済みの正しい時系列を見ます。

🕒 時系列:止まるまでと復旧まで

このセクションの3点

① 起動は2026年9月19日。前回の認識だった「11月12日起動」は、ログが溢れて古い記録が押し出された後の見かけ上の値だった

② 容量100%は11月9日から14日まで約5.3日間続いた

③ 11月15日08:44を境にディスクへの書き込みが全て止まり、気づかれないまま4.5日が過ぎた

  1. 1

    2026-09-19 07:34

    起動

    この時点から次の全停止まで動き続けていた。以前は「11/12 18:10起動」と認識していたが、これは誤り。カーネルログが上限に達して古い記録が押し出された後に残っていた、一番古い行にすぎなかった。
  2. 2

    2026-11-09 04:01

    同じSSDへの毎日のバックアップが失敗、容量100%に

    本体データを置いているのと同じSSDへ、毎朝4時にバックアップを書き続ける設計だった。バックアップ対象が大きくなった日を境に容量が尽き、一般ユーザーのプロセス(InfluxDBなど)が書き込めなくなった。
  3. 3

    2026-11-10 00:24

    InfluxDB側の記録が無言に(推定)

    読めなくなっていたページを踏んだとみられる時刻。満杯から約20時間後。証明はできないが、この時刻を境に記録が止まっている。
  4. 4

    2026-11-14 12:04

    設定を修正して容量が回復

    バックアップの保持数を減らして容量を取り戻した。ただしこの時点では、読めない16KBの存在にも、エラーが続いている状態にも気づいていなかった。
  5. 5

    2026-11-15 08:44

    ディスクへの最後の書き込み。以後すべて無言

    この時刻を境に、全ファイルの更新が同時に止まった。外から様子を見ている仕組みが無かったため、4.5日間誰も気づかなかった。
  6. 6

    2026-11-19 22:01

    電源を入れ直して復旧

    手動で電源を入れ直し、その後すぐに全面の読み取り検査(badblocks)を実施した。

最初の起動時刻が約2か月もずれていたのは、カーネルログの上限(500MB)に達して、エラーの洪水で古い記録がどんどん押し出されていたためです。これ自体も「異常が長く放置されていた証拠」になっています。

→ Section 3では、SSD自体の健康状態を数字で見ます。

🩺 SSDの健康の数字:摩耗ではない

このセクションの3点

① 書き込みは累計1.48TB、消耗2%、予備領域100%。公称150TBWの約1%しか使っていない

② 全体を読み取り検査して、不良は連続する4ブロック=16KBの1か所だけだった

③ 摩耗では説明できない。個体不良(弱いNAND領域)が最有力だが、断定はできない

項目値読み方
消耗(Percentage Used)2%寿命の消費。ごくわずかしか進んでいない
累計書き込み(Data Units Written)1.48TB公称150TBWの約1%。TBWでは摩耗を説明できない
予備領域(Available Spare)100%(しきい値10%)未消費。深刻な劣化のサインは無い
全面読み取り検査(badblocks)不良4ブロック=16KBのみ62,514,774ブロックのうち、連続する4ブロックだけが読めない

150TBW

公称の耐久(Tom's Hardwareなど)

5.8回

256GB全体を書き換えた回数に相当(1.48TB÷256GB)

0件

エラーログの記録数(44万回以上の読み取り失敗があっても0件)

8か月

読めなくなったファイルが一度も書き換えられていなかった期間

このSSDの公称耐久は150TBW(Tom's Hardwareのレビュー・Newegg商品ページ)。1.48TBはその約1%で、256GBの容量全体を約5.8回書き換えた計算にしかなりません。「毎日の大量書き込みでSSDを使い潰した」という説明は、この数字だけで否定できます。

一方で、読めなくなった16KBの元の持ち主は、2026年3月23日にインストールされてから一度も書き換えられていなかった静的なファイルでした。8か月間ずっと同じ場所に置かれていたデータが、消耗2%の段階で読めなくなるのは、正常な摩耗の挙動ではありません。安価でDRAMを搭載していないSSDが弱い領域を事前に検出・救済できなかった可能性と、個体不良そのものの可能性は、現在の証拠だけでは切り分けられません。

SMARTの数字は実態を反映していません。読み取りエラーがカーネルログに44万回以上記録されている間も、SMARTの「Media and Data Integrity Errors」は1のまま、エラーログは0件でした。この機種のSMARTは、件数をそのまま信じてはいけないという教訓です。

→ Section 4では、2つのAIモデルの分析結果を比べます。

🤖 FableとCodexの分析:一致点と相違点

このセクションの3点

① 摩耗が原因ではないことと、SDカードに戻さずSSDを交換する方針では完全に一致した

② 読めない16KBの解釈と、全停止の直接原因の強さでは評価が割れた

③ 割れた点はより慎重な側(Codex)の見方を採用した

論点一致・相違採用した見方
摩耗が原因か両者一致:摩耗ではない(公称の約1%、消耗2%)両者とも否定
読めない16KBの解釈Fable:NANDの1ページ分と「一致する」と記述/Codex:物理ページ1枚が壊れた証明ではないと指摘Codexを採用。「一致する」止まりにとどめる
11/15全停止の直接原因Fable:SSDコントローラの停止説に寄せる/Codex:メモリ等の資源枯渇も対抗候補で、1か所の読み取りエラーだけでは説明しきれないと指摘Codex寄り。コントローラ停止は複数ある候補の1つに下げる
今すぐやるべきことFable:監視の導入/Codex:別の機械へのデータ退避と読み戻し確認両方実施した
障害が育った仕組み(3つの要因が1つの全停止に合流した)

→ この図は横にスクロールできます

SSDの個体不良(推定・断定不可)16KBが読めなくなるClaudeが設計同じSSDへ毎日バックアップ→ 容量100%が5.3日監視の仕組みが無い(Claudeの設計不備)異常に誰も気づけない4日半の全停止11/15 08:44 〜 11/19 22:01誰にも気づかれなかった

16KBの不良だけなら小さな障害で済んだ可能性がある。4日半まで育てたのは、同じSSDへのバックアップと無監視という、Claude側の設計の不備。

2つの独立した分析は、同じ証拠から出発して「容量100%は全停止には強く効いたが、読めないセクタを作った証拠は無い」という中心の結論で一致しました。ズレが出たのは、証拠が足りない部分をどこまで強く言い切るかという一点です。この記事では、より慎重な見方を採用しています。

→ Section 5では、実際に直した内容を見ます。

🛠️ 実施した修正

このセクションの3点

① InfluxDBを入れ直して、止まっていた温度画面を復旧させた

② 同じSSDに置いていたバックアップ22GBを削除し、毎朝の同SSDへのバックアップを停止した

③ smartdと、異常時だけ通知する監視を新たに導入し、大事なデータをPCへ退避した

今回すぐに実施した修正

✓

InfluxDBを入れ直した

温度を表示する画面が復旧した。壊れていた16KBは元のファイルの一部だったが、入れ直した今はどのファイルにも属していない(使われていない領域になった)

✓

同じSSDに置いていたバックアップ22GBを削除した

容量を圧迫していた居座り分を解消した

✓

毎朝のバックアップ(同じSSDへの書き込み)を停止した

本体と同じディスクへ書き続ける設計そのものを止めた

✓

smartdと、異常時だけ通知する監視を導入した

カーネルログ・空き容量・SMARTの3つを見張り、異常があったときだけ通知する。平常時は外部に何も送らない

✓

大事なデータをPCへ退避した

バックアップ対象のデータベースと設定だけをPC側へコピーした。本体データはもともとPC側が正として扱っている

削除・パーティション操作・再起動を伴う検査はせず、まず壊れたディスクから大事なデータを外へ出すことを優先しました。監視を入れたことで、同じ種類の異常が起きても次は数分以内に気づける状態になっています。

→ Section 6では、まだ終わっていない対策を優先順位つきで見ます。

📋 残りの対策(優先順位つき)

このセクションの3点

① 最優先はSSDの交換。今のSSDは監視つきの「つなぎ」でしかない

② 次点は、ラズパイ自身が固まったときのための外からの死活監視と、バックアップの置き場所の作り直し

③ SDカードへは戻さない。NVMeという方式が悪いのではなく、今のSSD1本の個体の問題だったため

優先いつ内容
1今週SSDを交換する。今のSSDは監視つきで交換までのつなぎと位置づける
2今週外からの死活監視を別の機械に置く。ラズパイ自身が固まると、ラズパイ自身は通知を出せないため
3交換と同時バックアップの置き場所を作り直す。本体データと同じディスクにバックアップを置かない設計へ変える
4次に止まったとき電源を切る前に画面の表示を確認する。コントローラの停止かLinux側の詰まりかを分ける、ほぼ唯一の証拠になる
🗄️

バックアップは別の機械に置く

既存記事(データサーバーの役割分担)

本体データとバックアップを同じディスクに置かない設計は、自作PCでの役割分担の記事でも扱っています。 → 自作PC(Ubuntu)で役割を分けた話

🖥️

自宅の複数台の役割分担

既存記事(PC・ラズパイの分担)

ラズパイ・PC・データの置き場をどう分けるかは自宅のPC4台の役割分担の記事も参考になります。

SDカードにOSを戻さない理由

結論は「戻さない。NVMeを交換する」です。壊れたのはNVMeという方式ではなく、このSSD1本の個体でした。SDカードには、読み書きの速さや書き込み耐性が常時稼働の用途には不利な面があり、SMARTのような健康診断の仕組みも持たないため、壊れるときに前触れが少ない傾向があります。今回の本当の原因だった「同じディスクへのバックアップ」「容量100%」「無監視」は、SDカードに戻しても1つも解決しません。

SDカードの良い使い道は、NVMeが認識できなくなったときのための非常用の起動メディアとして1枚挿しておくことです。

SSD交換の判断基準

候補はSamsung 990 PRO 1TB。使用しているケースの対応表で動作確認済みであること、DRAMを搭載していること、公称600TBWで5年保証であることが理由です。容量は現在の使用量より十分に大きい1TBを選び、使用率を半分以下に保てるようにします。対応表で読み書きエラーの報告がある製品や、コントローラの評判が未確認の安価な製品は避けます。

→ 最後に、今回の教訓と出典をまとめます。

📚 教訓と出典

このセクションの3点

① バックアップは、元のデータと同じディスクに置かない

② 大きいデータを毎日フルで書き続ける運用にしない

③ 常時稼働させる機械には、動かし始めた最初の日から監視を入れる

SSDの中の16KBが読めなくなったこと自体は、今の証拠では「運が悪かった個体不良」で説明がつき、断定はできないものの、摩耗が原因ではありませんでした。問題は、それが4日半の全停止まで育ったことです。同じディスクへバックアップを置き続け、容量が100%になっても誰にも知らせる仕組みが無かったこと。この2つを設計したのはClaudeで、ここに責任があります。

教訓は3つに整理できます。バックアップは元と同じディスクに置かない。大きいデータを毎日フルで書き続める運用にしない。そして、常時稼働させる機械には最初から監視を入れる。この3つを守っていれば、今回のSSDの個体不良が起きたとしても、停止は数分の通知で済んでいたはずです。

今回の運用 ⇄ 直した後の運用

11月19日より前

4日半の全停止につながった設計

  • ・本体データと同じSSDへ、毎日バックアップを書き続けていた
  • ・容量が100%になっても、誰にも知らせる仕組みが無かった
  • ・ラズパイ自身が固まると、外から様子を見る手段が無かった

11月19日以降

実施・計画した運用

  • ・同じSSDへの毎日のバックアップを停止し、置き場所を作り直す予定
  • ・smartdと、異常時だけ通知する監視を導入した
  • ・外からの死活監視を別の機械に置くことを優先対策として予定している

出典

Tom's Hardware「Silicon Power P34A60 M.2 NVMe SSD Review」(256GBのTBW150を記載) tomshardware.com

Newegg商品ページ SP256GBP34A60M28(TBW150を記載) newegg.com

maxmybuild(同製品を75TBWと記載する資料) maxmybuild.com

使用しているラズパイ用ケースのNVMe SSD対応表 docs.sunfounder.com

同ケースのフォーラムにある別SSDでのI/O消失報告(原因未確定の参考情報) forum.sunfounder.com

SSD交換が済んだら、その作業自体も別記事で報告します。