PACE：对学习基数估计的有毒攻击

基数估计（CE）在数据库优化器中发挥着至关重要的作用。我们最近目睹了许多学习CE模型的出现，这些模型的表现优于传统方法，如直方图和抽样。然而，学习模型也带来了许多安全风险。例如，基于查询驱动的学习CE模型根据历史工作负载学习查询到基数的映射。这样的学习模型可能会受到恶意攻击者精心构造的有毒查询的攻击，这些查询被编织进历史工作负载中，导致CE的性能下降。本文探索了学习CE中的潜在安全风险，并研究了在黑箱环境中对学习CE的有毒攻击的新问题。有三个挑战。首先，CE模型的内部细节在黑箱设置中是隐藏的，导致攻击模型变得困难。其次，被攻击的CE模型参数会随着有毒查询的更新而变化，即与优化变量相关的变量，因此该问题无法建模为单变量优化问题，从而难以通过高效算法解决。第三，为了进行无感知的攻击，需要生成遵循与历史工作负载相似分布的有毒查询。我们提出了一种有毒攻击系统PACE来应对这些挑战。为了解决第一个挑战，我们提出了一种推测和训练替代模型的方法，将黑箱攻击转化为近乎白箱攻击。为了解决第二个挑战，我们将有毒问题建模为双变量优化问题，并设计了一种有效且高效的算法来解决它。为了克服第三个挑战，我们提出了一种对抗方法，培训有毒查询生成器以及异常检测器，确保有毒查询遵循与历史工作负载相似的分布。实验结果表明，PACE将学习CE模型的准确性降低了178倍，使目标数据库的端到端性能下降了10倍。