Resumen Técnico: Calibración del Modelo de Costos de Consultas en Máquinas Virtuales Confidenciales

Planteamiento del Problema

La adopción de la Computación Confidencial, específicamente de las Máquinas Virtuales Confidenciales (CVM, por sus siglas en inglés) como AMD SEV-SNP, ofrece una vía práctica para ejecutar Sistemas de Gestión de Bases de Datos (DBMS) heredados sin modificaciones en el código fuente, protegiendo al mismo tiempo los datos en uso. Sin embargo, las consultas analíticas en las CVM sufren sobrecargas de rendimiento sustanciales en comparación con las máquinas virtuales convencionales no cifradas (KVM).

Investigaciones previas se han centrado principalmente en evaluar estos retrasos en lugar de optimizarlos. Este artículo identifica la causa raíz como un desajuste entre hardware y software: los optimizadores de consultas tradicionales dependen de modelos de costos calibrados para KVM, los cuales ya no son válidos en entornos CVM. En consecuencia, los optimizadores clasifican erróneamente los planes de ejecución, seleccionando estrategias que son eficientes en KVM pero subóptimas en CVM.

Los autores atribuyen este desajuste a dos propiedades arquitectónicas específicas de SEV-SNP:

1. Sobrecarga de Movimiento de Datos: En las CVM, las transferencias de datos entre el almacenamiento y la memoria implican el procesamiento de cifrado y el copiado mediante "buffers de rebote" (almacenamiento temporal de datos en memoria compartida). Esta sobrecarga no es uniforme; diferentes planes de consulta (por ejemplo, Hash Join frente a Nested Loop) inducen distintos patrones de movimiento de datos, lo que genera penalizaciones variables.
2. Sobrecarga de Traducción Relacionada con RMP: SEV-SNP utiliza una Tabla de Mapeo Inverso (RMP) para validar la propiedad y los permisos de las páginas durante la traducción de direcciones. Esto introduce latencia en las rutas de acceso a la memoria, particularmente en operaciones de acceso aleatorio como los escaneos de índices (index scans) y los bucles anidados (nested loops) con alta carga de búsqueda (probe-heavy). La evidencia experimental muestra que esto se manifiesta como un aumento significativo en los Ciclos Por Instrucción (CPI) debido a la traducción y a las verificaciones de memoria protegida, en lugar de un aumento en el número total de instrucciones ejecutadas.

Metodología

Los autores proponen una calibración de costos ligera y consciente de la CVM integrada directamente en el modelo de costos del optimizador de consultas. En lugar de rediseñar el motor de ejecución, el enfoque ajusta los costos estimados de los operadores para reflejar los precios relativos reales de las rutas de ejecución en SEV-SNP.

Mecanismo Central

La calibración aumenta las fórmulas de costo estándar (que típicamente descomponen el costo en CPU, Memoria y E/S) con dos términos de sobrecarga adicionales derivados de proxies físicos que ya están disponibles para el optimizador:

1. Costo de Movimiento de Datos (datamovecost): Este término penaliza a los operadores basándose en su tamaño de conjunto de trabajo ($ws$) y un factor de desbordamiento ($x$). El factor de desbordamiento se calcula cuando el conjunto de trabajo excede el presupuesto efectivo de caché. El costo se modela como $ws \cdot \eta_{dm} \cdot \sigma(x)$, donde $\eta_{dm}$ es una penalización calibrada y $\sigma(x)$ activa el término cuando la huella activa se desborda de la caché, activando el tráfico de memoria cifrada y las interacciones de los buffers de rebote.
2. Costo de Sobrecarga de RMP (rmptcost): Este término penaliza a los operadores basándose en la intensidad de acceso a páginas ($a$) y la localidad. Se modela como $a \cdot \eta_{rmp} \cdot (1 + \alpha_{rmp} \cdot \sigma(x))$. Esto captura la latencia incrementada de la traducción de direcciones y la validación de RMP, lo que afecta desproporcionadamente a los operadores de acceso aleatorio (por ejemplo, Index Scans y Nested Loop Joins con búsquedas de índices).

Calibración Específica por Operador

Los autores aplican estos términos a operadores específicos en PostgreSQL:

• Escaneos (Secuencial, Bitmap, Índice): Los escaneos secuenciales y de bitmap se cobran principalmente por el movimiento de datos cuando el conjunto de trabajo se desborda. Los escaneos de índice se cobran tanto por el movimiento de datos como por la sobrecarga de RMP, ya que el recorrido de índices implica la persecución de punteros y accesos a páginas no secuenciales que activan las verificaciones de traducción.
• Joins:
  • Nested Loop: Se le cobra por el movimiento de datos y la sobrecarga condicional de RMP si el lado interno es impulsado por un índice.
  • Hash Join: El modelo de costos tiene en cuenta explícitamente el tamaño de la tabla de hash respecto al Último Nivel de Caché (LLC). Si la tabla de hash excede el LLC, el operador incurre en una sobrecarga significativa de movimiento de datos y de traducción.
  • Merge Join: Se le cobra principalmente por el movimiento de datos, con costos de RMP condicionales si las entradas carecen de localidad.
• Materialize/Memoize: Se les cobra basándose en el tamaño del estado intermedio en buffer.

Los parámetros para estos términos de costo se ajustan utilizando un subconjunto representativo de consultas de cada carga de trabajo, con el objetivo de lograr una calibración robusta en diferentes escenarios sin necesidad de una optimización exhaustiva.

Contribuciones Clave

1. Identificación de Distorsiones de Rendimiento: El artículo demuestra que las verificaciones de RMP y las sobrecargas de movimiento de datos son los principales impulsores de las distorsiones de rendimiento que afectan al optimizador en las CVM. Proporciona evidencia empírica (mediante el análisis de la inflación de CPI y la actividad de los buffers de rebote) de que estas sobrecargas dependen del operador y de la sensibilidad del plan.
2. Modelo de Costos Calibrado para CVM: Los autores proponen una extensión práctica al modelo de costos que inyecta penalizaciones dirigidas para el acceso aleatorio sensible a RMP y el movimiento de datos. Esto preserva la arquitectura del optimizador mientras hace que las decisiones de los planes sean más fieles a las realidades de la CVM.
3. Implementación y Evaluación: La calibración se implementa en PostgreSQL 16.9. La evaluación cubre cargas de trabajo OLAP estándar (JOB, CEB, Stack y TPC-DS) en hardware AMD SEV-SNP.

Resultados

La evaluación muestra que la calibración reduce significativamente la brecha de rendimiento entre KVM y SEV-SNP:

• Ahorro de Tiempo: La calibración reduce el tiempo total de ejecución en todas las cargas de trabajo entre un 3.54% y un 48.35%.
  • JOB: mejora del 6.90%.
  • CEB: mejora del 17.14%.
  • Stack: mejora del 48.35%.
  • TPC-DS: mejora del 3.54%.
• Rendimiento en Diferentes Entornos: En las cargas de trabajo CEB y Stack, la ejecución de SEV-SNP calibrada supera al baseline de KVM no calibrado, lo que indica que la corrección del modelo de costos puede recuperar suficiente eficiencia para superar la base de comparación no cifrada en escenarios específicos.
• Cobertura de Consultas: Una fracción sustancial de las consultas se benefició de la calibración (oscilando entre el 38.8% y el 62.5% en todas las cargas de trabajo).
• Distribución de Latencia: La calibración desplaza la distribución de latencia de las consultas hacia abajo, reduciendo la latencia mediana y comprimiendo la dispersión (desviación estándar). Por ejemplo, en la carga de trabajo Stack, la latencia máxima cayó de 50.80s a 13.84s, y la desviación estándar disminuyó de 7.00s a 2.24s.

Significado y Reivindicaciones

El artículo sostiene que la principal barrera para las cargas de trabajo de alto rendimiento en las CVM no es solo la sobrecarga bruta del hardware, sino la desalineación del modelo de costos del software. Al recalibrar el optimizador para que comprenda los costos específicos del movimiento de datos y las verificaciones de RMP, el sistema puede seleccionar automáticamente planes de ejecución que minimicen estas penalizaciones.

Los autores enfatizan que su enfoque es ligero: introduce una sobrecarga insignificante porque solo modifica la lógica de estimación de costos del optimizador sin añadir nuevos mecanismos de tiempo de ejecución. Posicionan este trabajo como un paso necesario más allá de la simple evaluación de rendimiento, moviéndose hacia la optimización al abordar el "desajuste entre hardware y software" que causa que los DBMS heredados rindan por debajo de lo esperado en entornos confidenciales. El artículo concluye que, si bien las características de la carga de trabajo influyen en el grado de mejora, una calibración razonable del modelo de costos es suficiente para mitigar significativamente la brecha de rendimiento entre KVM y CVM.