Riepilogo Tecnico: Strategie di Ottimizzazione dei Token per la Migrazione Oracle-to-PostgreSQL Basata su LLM

1. Enunciato del Problema

La migrazione di artefatti legacy SQL e PL/SQL Oracle verso PostgreSQL è un componente critico della modernizzazione del software aziendale. Sebbene i Modelli Linguistici di Grandi Dimensioni (LLM) offrano potenzialità per automatizzare questa trasformazione, il processo è attualmente limitato dall'alto consumo di token, dal degrado del contesto lungo (il fenomeno "persi nel mezzo") e dal rischio di deriva semantica.

Iniettare direttamente grandi schemi Oracle, logica procedurale e regole di migrazione nei prompt degli LLM aumenta i costi delle API e spesso degrada la qualità della generazione. Gli approcci esistenti alla compressione dei prompt o alla generazione generale Text-to-SQL non affrontano adeguatamente i vincoli specifici della migrazione dei dialetti, dove la preservazione della semantica procedurale, dei vincoli dello schema e dei significati degli identificatori è fondamentale. Il problema centrale è come ridurre la dimensione del contesto senza perdere le informazioni semantiche necessarie per una migrazione corretta e sintatticamente valida.

2. Metodologia

Lo studio formalizza l'ottimizzazione dei token come un problema di trasformazione vincolato all'interno dello Sviluppo Guidato dalle Specifiche (SDD). Gli autori propongono una pipeline in cui il contesto di migrazione (codice sorgente, specifiche, regole) viene trasformato da una funzione di strategia $f_i$ prima di essere passato alla funzione di generazione dell'LLM $G$.

A. Tassonomia delle Strategie

Sono state definite e valutate dodici distinte strategie di ottimizzazione dei token:

1. Baseline: SQL/PL-SQL Oracle grezzo non modificato.
2. Potatura del Contesto: Rimozione di commenti e parametri fisici specifici di Oracle (es. TABLESPACE, STORAGE).
3. Minificazione: Collasso di spazi bianchi ridondanti e nuove righe.
4. Compressione Semantica (DSL): Mappatura di strutture SQL ripetitive in forme simboliche compatte.
5. Arricchimento dei Metadati: Iniezione di proprietà dello schema e parametri chiave come ancoraggi semantici.
6. Refactoring del Contesto: Rimozione dei caratteri di virgoletta non necessari dagli identificatori.
7. Distillazione dello Schema: Rimozione delle definizioni procedurali secondarie per conservare solo la logica fondamentale dello schema.
8. Instradamento Adattivo: Selezione dinamica di una strategia di ottimizzazione basata sulla complessità strutturale dell'input (es. percentuale di PL/SQL).
9. Minificazione Basata su AST: Analisi del SQL in un Albero di Sintassi Astratta (AST) per rimuovere nodi ridondanti prima della serializzazione.
10. Mascheramento degli Identificatori: Sostituzione di nomi di tabelle/colonne verbosi con alias deterministici brevi.
11. Applicazione dei Vincoli di Output: Limitazione del prompt di sistema dell'LLM per prevenire output conversazionali, markdown o formattazione aggiuntiva.
12. Ottimizzazione Ibrida: Combinazione di compressione adattiva dell'input con vincoli di output.

B. Configurazione Sperimentale

• Dataset: Due sottoinsiemi di artefatti SQL/PL-SQL Oracle accoppiati con traduzioni PostgreSQL validate: un campione di 10 query per la validazione iniziale e un campione di 100 query per la robustezza statistica.
• Modello: GPT-4o è stato utilizzato come LLM target.
• Metriche di Valutazione:
  • Tasso di Sintassi Validi (VSR): Percentuale di output parsabili come PostgreSQL valido.
  • Corrispondenza Esatta (EM): Corrispondenza identica a livello di caratteri con il riferimento.
  • Corrispondenza Semantica (SM): Equivalenza funzionale tramite confronto AST o valutazione esperta.
  • CodeBLEU: Metrica di similarità strutturale.
  • Efficienza dei Token (TE): Ritorno semantico sul costo dei token ($SM / (T_{in} + T_{out})$).

3. Risultati Chiave

La valutazione sul campione di 100 query ha rivelato significativi compromessi tra riduzione dei token e qualità della migrazione:

• Strategie Sicure: La Potatura del Contesto è stata l'ottimizzazione più sicura, riducendo i token di input del 1,19% e i token di output dell'1,08%, mantenendo una Corrispondenza Semantica dell'89,75% (quasi identica all'89,80% della baseline).
• Compromesso Ottimale: L'Instradamento Adattivo ha fornito il miglior equilibrio pratico. Ha ridotto i token di input dell'8,72% e i token di output del 5,49%, mantenendo una Corrispondenza Semantica dell'88,40% e aumentando l'Efficienza dei Token del 6,67%.
• Strategie Aggressive ad Alto Rischio:
  • La Distillazione dello Schema ha ottenuto riduzioni massive dei token (81,72% input, 74,64% output) e un aumento del 132,22% dell'Efficienza dei Token. Tuttavia, ciò è avvenuto a scapito di un calo di 44,50 punti percentuali nella Corrispondenza Semantica, rendendo l'output funzionalmente errato per logiche complesse.
  • Il Mascheramento degli Identificatori ha ridotto i token di input del 33,30% ma ha causato un calo di 30,08 punti percentuali nella Corrispondenza Semantica, confermando che gli identificatori specifici del dominio sono cruciali per inferire la logica di business.
• Vincoli di Output: La limitazione della formattazione di output ha ridotto i token di output del 15,05% ma ha degradato il Tasso di Sintassi Validi di 7 punti percentuali e la Corrispondenza Semantica di 10,78 punti percentuali, suggerendo che vincoli eccessivamente rigidi ostacolano la capacità del modello di generare SQL corretto.

4. Contributi Chiave

1. Proposta di Tassonomia: Il documento introduce una tassonomia formale di dodici strategie di ottimizzazione dei token specificamente adattate per la migrazione da Oracle a PostgreSQL.
2. Formalizzazione del Problema: Inquadra l'ottimizzazione dei token non come un semplice accorciamento del prompt, ma come un problema di trasformazione vincolato multi-obiettivo che bilancia costi, validità sintattica e preservazione semantica.
3. Evidenza Empirica: Lo studio fornisce un confronto empirico rigoroso di queste strategie su diverse complessità di query, dimostrando che la compressione aggressiva porta spesso a deriva semantica.
4. Modello Decisionale: Viene proposto un modello pratico di selezione della strategia, che consiglia l'uso di una potatura lieve per esigenze di alta fedeltà e l'instradamento adattivo per migrazioni scalabili ed eterogenee, avvertendo contro la distillazione aggressiva per la logica procedurale.

5. Significato e Affermazioni

Il documento afferma che l'ottimizzazione dei token nella migrazione di database basata su LLM non può essere trattata come un compito unidimensionale di riduzione dei costi. I risultati dimostrano che la riduzione aggressiva dei token spesso comporta un degrado semantico, rendendo l'output della migrazione funzionalmente inutile nonostante metriche di efficienza dei token elevate.

Il significato principale risiede nell'istituire che la compressione adattiva del contesto è superiore alla compressione uniforme. Instradando dinamicamente gli input in base alla complessità strutturale (es. distinguendo tra DDL puro e PL/SQL complesso), le organizzazioni possono ottenere una riduzione "sicura" nell'uso dei token (circa 8-9%) senza compromettere l'integrità semantica del codice migrato. Lo studio conclude che una migrazione riuscita dipende dal bilanciare i costi con la fedeltà strutturale, dove la potatura lieve e l'instradamento adattivo rappresentano le strategie di produzione più fattibili.