Technische Samenvatting: Kalibratie van Query-kostenmodellen in Confidential Virtual Machines

Probleemstelling

De adoptie van Confidential Computing, specifiek Confidential Virtual Machines (CVM's) zoals AMD SEV-SNP, biedt een praktisch pad voor het draaien van legacy Database Management Systemen (DBMS'en) zonder broncode-aanpassingen, terwijl gegevens tijdens gebruik worden beschermd. Echter, analytische queries in CVM's lijden onder aanzienlijke prestatie-overhead vergeleken met conventionele onversleutelde virtuele machines (KVM's).

Eerder onderzoek heeft zich grotendeels gericht op het benchmarken van deze vertragingen in plaats van het optimaliseren ervan. Dit artikel identificeert de kernoorzaak als een hardware–software mismatch: traditionele query-optimizers vertrouwen op kostenmodellen die gekalibreerd zijn voor KVM's, wat niet langer opgaat in CVM-omgevingen. Als gevolg hiervan rangschikken optimizers executieplannen verkeerd, waarbij ze strategieën selecteren die efficiënt zijn in KVM's, maar suboptimaal in CVM's.

De auteurs schrijven deze mismatch toe aan twee specifieke architecturale eigenschappen van SEV-SNP:

1. Dataverplaatsingsoverhead: In CVM's omvat datatransfers tussen opslag en geheugen encryptieverwerking en "bounce-buffer" kopiëren (het stage-proces van data in gedeeld geheugen). Deze overhead is niet-uniform; verschillende query-plannen (bijv. Hash Join versus Nested Loop) induceren verschillende patronen van datamovement, wat le leidt tot variabele boetes.
2. RMP-gerelateerde Translatie-overhead: SEV-SNP maakt gebruik van een Reverse Map Table (RMP) om eigendom en permissies van pagina's te valideren tijdens adresvertaling. Dit introduceert latentie in geheugentoegangspaden, met name bij random-access operaties zoals index scans en probe-zware nested loops. Experimenteel bewijs laat zien dat dit zich manifesteert als een significante toename in Cycles Per Instruction (CPI) door vertaling en beschermd geheugencontrole, in plaats van een toename in het totale aantal uitgevoerde instructies.

Methodologie

De auteurs stellen een lichtgewicht, CVM-bewuste kostenkalibratie voor die direct geïntegreerd is in het kostenmodel van de query-optimizer. In plaats van het herontwerpen van de executie-engine, past deze aanpak de geschatte kosten van operatoren aan om de werkelijke relatieve prijzen van executiepaden in SEV-SNP te reflecteren.

Kernmechanisme

De kalibratie breidt standaard kostenformules (die doorgaans kosten ontleden in CPU, Geheugen en I/O) uit met twee aanvullende overhead-termen afgeleid van fysieke proxies die al beschikbaar zijn voor de optimizer:

1. Dataverplaatsingskosten (datamovecost): Deze term belast operatoren op basis van hun werksetgrootte ($ws$) en een overflow factor ($x$). De overflow factor wordt berekend wanneer de werkset de effectieve cache-budget overschrijdt. De kosten worden gemodelleerd als $ws \cdot \eta_{dm} \cdot \sigma(x)$, waarbij $\eta_{dm}$ een gekalibreerde boete is en $\sigma(x)$ de term activeert wanneer de actieve footprint buiten de cache valt, wat encrypted geheugentrafiek en bounce-buffer interacties triggert.
2. RMP-overheadkosten (rmptcost): Deze term belast operatoren op basis van pagina-toegangsinspanning ($a$) en lokaliteit. Het wordt gemodelleerd als $a \cdot \eta_{rmp} \cdot (1 + \alpha_{rmp} \cdot \sigma(x))$. Dit vangt de verhoogde latentie van adresvertaling en RMP-validatie op, wat disproportioneel invloed heeft op random-access operatoren (bijv. Index Scans, Nested Loop Joins met index probes).

Operatorspecifieke Kalibratie

De auteurs passen deze termen toe op specifieke operatoren in PostgreSQL:

• Scans (Sequential, Bitmap, Index): Sequential en bitmap scans worden primair belast voor datamovement wanneer de werkset overloopt. Index scans worden belast voor zowel datamovement als RMP-overhead, aangezien index-traversal gepaard gaat met pointer chasing en niet-sequentiële pagina-toegangen die vertaling-controles triggeren.
• Joins:
  • Nested Loop: Wordt belast voor datamovement en conditionele RMP-overhead indien de binnenkant index-gestuurd is.
  • Hash Join: Het kostenmodel houdt expliciet rekening met de grootte van de hash-tabel ten opzien van de Last-Level Cache (LLC). Als de hash-tabel de LLC overschrijdt, incasseert de operator significante datamovement en vertalingskosten.
  • Merge Join: Wordt primair belast voor datamovement, met conditionele RMP-kosten indien de inputs een gebrek aan lokaliteit vertonen.
• Materialize/Memoize: Wordt belast op basis van de grootte van de gebufferde intermediaire staat.

De parameters voor deze kosten-termen worden afgestemd met behulp van een representatieve subset van queries uit elk workload, met als doel een robuuste kalibratie over verschillende scenario's zonder uitputtende optimalisatie.

Belangrijkste Bijdragen

1. Identificatie van Prestatiedistorsies: Het artikel demonstreert dat RMP-controles en datamovement-overheads de primaire drijvers zijn van de optimizer-georiënteerde prestatiedistorsies in CVM's. Het levert empirisch bewijs (via CPI-inflatie en bounce-buffer activiteitsanalyse) dat deze overheads operator-afhankelijk en plan-gevoelig zijn.
2. CVM-gekalibreerd Kostenmodel: De auteurs stellen een praktische uitbreiding van het kostenmodel voor die gerichte boetes injecteert voor RMP-gevoelige random access en datamovement. Dit behoudt de architectuur van de optimizer terwijl het beslissingen over plannen meer getrouw maakt aan de CVM-realiteit.
3. Implementatie en Evaluatie: De kalibratie is geïmplementeerd binnen PostgreSQL 16.9. De evaluatie dekt standaard OLAP-benchmarks (JOB, CEB, Stack, en TPC-DS) op AMD SEV-SNP hardware.

Resultaten

De evaluatie toont aan dat de kalibratie de prestatiekloof tussen KVM en SEV-SNP aanzienlijk verkleint:

• Tijdbesparing: De kalibratie vermindert de totale executietijd over de workloads met 3,54% tot 48,35%.
  • JOB: 6,90% verbetering.
  • CEB: 17,14% verbetering.
  • Stack: 48,35% verbetering.
  • TPC-DS: 3,54% verbetering.
• Prestaties in Verschillende Omgevingen: Op de CEB en Stack workloads presteert de gekalibreerde SEV-SNP beter dan de ongekalibreerde KVM-baseline, wat aangeeft dat de correctie van het kostenmodel genoeg efficiëntie kan terugwinnen om de niet-versleutelde baseline in specifieke scenario's te overtreffen.
• Query Dekking: Een aanzienlijk deel van de queries profiteerde van de kalibratie (variërend van 38,8% tot 62,5% over de workloads).
• Latentieverdeling: De kalibratie verschuift de query-latentieverdeling naar beneden, waardoor de mediane latentie wordt verlaagd en de spreiding (standaarddeviatie) wordt gecomprimeerd. Bijvoorbeeld, in de Stack-workload daalde de maximale latentie van 50,80s naar 13,84s, en de standaarddeviatie nam af van 7,00s naar 2,24s.

Betekenis en Claims

Het artikel claimt dat de primaire barrière voor high-performance database-workloads in CVM's niet alleen de ruwe hardware-overhead is, maar de misalignement van het software kostenmodel. Door de optimizer te herkalibreren om de specifieke kosten van datamovement en RMP-checks te begrijpen, kan het systeem automatisch executieplannen selecteren die deze boetes minimaliseren.

De auteurs benadrukken dat hun aanpak lichtgewicht is: het introduceert verwaarloosbare overhead omdat het alleen de kosteninschatting van de optimizer wijzigt zonder nieuwe executie-mechanismen toe te voegen. Zij positioneren dit werk als een noodzakelijke stap voorbij benchmarking, bewegend naar optimalisatie door de "hardware–software mismatch" aan te pakken die ervoor zorgt dat legacy DBMS'en onderpresteren in vertrouwelijke omgevingen. Het artikel concludeert dat hoewel workload-kenmerken de mate van verbetering beïnvloeden, een redelijke kostenmodel-kalibratie voldoende is om de prestatiekloof tussen KVM's en CVM's aanzienlijk te verkleinen.