기밀 가상 머신(CVM)에서의 쿼리 비용 모델 보정 (Query Cost Model Calibration)

원문 발행 2026. 06. 25. 06:11원문 언어 영어AI 한국어 번역arXiv cs.AR 원문 보기

요약

기밀 가상 머신(CVM) 환경에서 발생하는 데이터베이스 쿼리 성능 저하 문제를 해결하기 위해 CVM 인지 비용 보정 방식을 제안합니다. 기존 옵티마이저의 비용 모델이 비암호화 VM에 맞춰져 있는 문제를 물리적 프록시를 통한 모델링으로 해결하여 성능을 최대 48% 개선했습니다.

핵심 포인트

CVM 환경의 쿼리 성능 저하는 하드웨어-소프트웨어 불일치에서 기인함
데이터 이동 및 RMP 관련 변환 오버헤드를 모델링하는 비용 보정 제안
경량화된 물리적 프록시를 사용하여 쿼리 옵티마이저의 정확도 향상
실험 결과 KVM 대비 최대 48%의 성능 회복 및 일부 워크로드 성능 우위 확인

기밀 컴퓨팅 (Confidential Computing)의 채택이 증가함에 따라, AMD SEV-SNP와 같은 기밀 가상 머신 (CVMs)에서 데이터베이스를 실행하는 것은 기존 DBMS를 최소한으로 변경하면서 민감한 클라우드 데이터를 보호할 수 있는 매력적인 방법이 되었습니다. 그러나 이러한 CVM에서의 분석 쿼리 (analytical queries)는 종종 상당한 오버헤드 (overhead)를 겪으며, 기존의 데이터베이스 연구는 이러한 성능 저하를 최적화하기보다는 벤치마킹하는 수준에 머물러 있었습니다. 우리는 이 문제가 하드웨어-소프트웨어 불일치 (hardware-software mismatch)에서 기인한다는 것을 보여줍니다. 즉, 쿼리 옵티마이저 (query optimizers)가 더 이상 CVM에서 유효하지 않은 KVM 지향적 (비암호화 VM) 비용 가설에 여전히 의존하고 있다는 점입니다. 이를 해결하기 위해, 우리는 경량화된 CVM 인지 비용 보정 (CVM-aware cost calibration)을 제안합니다. 이는 옵티마이저가 이미 사용할 수 있는 단순한 물리적 프록시 (physical proxies)를 사용하여 옵티마이저에 영향을 미치는 두 가지 주요 오버헤드 원인인 데이터 이동 (data movement)과 RMP 관련 변환 (RMP-related translation)을 모델링합니다. 실험 결과, 이 보정 방식은 KVM/CVM 간의 성능 격차를 크게 좁혀 최대 48%의 성능을 회복하였으며, 일부 워크로드에서는 KVM 베이스라인 (baseline)보다 더 나은 성능을 보여주었습니다.

AI 자동 생성 콘텐츠

원문 바로가기

기밀 가상 머신(CVM)에서의 쿼리 비용 모델 보정 (Query Cost Model Calibration)

요약

핵심 포인트

댓글