面向数据库加密的锁预测

现代企业级数据库系统面临着在数据安全与性能之间取得平衡的重大挑战。确保敏感信息的强加密对于系统符合安全标准至关重要。尽管整体数据库加密提供了强大的保护，但现有数据库系统通常需要进行完整的备份和恢复循环，导致长时间的停机并增加存储用量。这使得在不中断关键操作的情况下在高吞吐环境中实施在线加密技术变得困难。为解决这一挑战，我们设想一种解决方案，使数据库加密能够与系统活动相匹配，无需停机、存储开销或完整数据库重新处理。其核心在于预测哪些数据库部分将被访问，从而允许在线应用加密。作为实现这一目标的一步，本研究提出一种预测方法，利用深度学习模型预测数据库锁定序列，使用IBM Db2作为受研究的数据库系统。本研究收集了来自TPC-C基准工作负载的专用数据集，利用锁定事件日志进行模型训练和评估。我们应用Transformer和LSTM等深度学习架构，评估各种表级和页级锁预测的模型。我们对训练得到的模型准确率进行基准测试，与一个朴素基准（Naive Baseline）进行比较，考察不同预测时段和时间范围。实验结果表明，所提出的深度学习方法在表级预测上实现最高49%的平均准确率，页级预测上达到66%，显著优于朴素基准。通过预判哪些表和页将被锁定，所提出的方法是实现在线加密的一步，为构建安全且低开销的数据库系统提供了实际可行的路径。