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.