Breaking Database Lock-in: Agentic Regeneration of High Performance Storage Readers for Database Bypass
作者: Victor Giannakouris, Immanuel Trummer
分类: cs.DB, cs.AI
发布日期: 2026-07-08
备注: To be presented at AIDB 2026 (co-located with VLDB)
💡 一句话要点
提出Jailbreak以解决数据库访问瓶颈问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 数据库访问 性能优化 大型语言模型 数据解码 分析工作负载 存储读取器 数据锁定 Apache Arrow
📋 核心要点
- 现有数据库驱动程序如JDBC和ODBC限制了数据访问，导致性能瓶颈，尤其在批量列分析时表现不佳。
- Jailbreak通过直接读取存储文件并利用LLM辅助代码合成，绕过数据库引擎，生成可查询的内存列缓冲区。
- 实验结果表明，Jailbreak在PostgreSQL和MySQL上实现了高达27倍的性能提升，验证了其在分析工作负载中的有效性。
📝 摘要（中文）
在外部数据库系统中运行的分析工作负载面临一个根本瓶颈：数据访问完全受数据库驱动程序的保护，导致所有读取都必须通过查询执行和其他不适合批量列分析的驱动层。本文提出了Jailbreak，一种通过直接读取存储文件并将数据物化为内存列缓冲区的方式，完全绕过数据库引擎。Jailbreak的关键见解在于，尽管数据库文件格式复杂，但其源代码和文档完全规范化，能够被大型语言模型（LLMs）吸收，以再生特定操作符的表读取组件，而无需人工解析逻辑。我们在PostgreSQL和MySQL存储文件上评估了Jailbreak，针对常见的读取副本和离线处理管道中的分析快照场景。生成的读取器能够直接生成Apache Arrow缓冲区，供大多数知名查询引擎使用，并在TPC-H基准测试中验证了正确性，显示出高达27倍的性能提升。
🔬 方法详解
问题定义：本文旨在解决现有数据库驱动程序在处理分析工作负载时的性能瓶颈，尤其是在批量列分析场景中，传统方法无法高效读取数据。
核心思路：Jailbreak的核心思路是直接读取数据库存储文件，利用大型语言模型（LLMs）解析文件格式，从而生成高效的读取组件，避免了复杂的数据库引擎层。
技术框架：整体架构包括数据存储文件的直接读取、LLM辅助的代码合成和生成内存列缓冲区。主要模块包括文件解析、数据物化和查询接口。
关键创新：最重要的创新在于利用LLM进行存储解码，能够将复杂的数据库文件格式转化为可直接查询的内存结构，打破了数据锁定的局限。
关键设计：在设计中，Jailbreak依赖于数据库文件的源代码和文档，使用LLM生成特定操作符的读取逻辑，确保生成的代码高效且准确。
🖼️ 关键图片
📊 实验亮点
实验结果显示，Jailbreak在TPC-H基准测试中与基于JDBC/ODBC的基线相比，达到了高达27倍的性能提升，显著提高了端到端的分析吞吐量。这一结果证明了LLM辅助存储读取器合成的有效性和可行性。
🎯 应用场景
Jailbreak的研究成果具有广泛的应用潜力，尤其在需要高效数据访问的分析场景中，如数据仓库、实时分析和大数据处理。其方法不仅适用于PostgreSQL和MySQL，还可以扩展到其他数据库系统，只要其文件格式可通过文档或源代码获取。这将有助于打破数据锁定，提高数据处理的灵活性和效率。
📄 摘要（原文）
Analytical workloads operating on data stored in external database systems face a fundamental bottleneck: data access is guarded entirely by the database driver, like JDBC or ODBC, forcing all reads through query execution and other driver layers that are not designed for bulk columnar analytics. We present Jailbreak, an approach that bypasses the database engine entirely by reading storage files directly and materializing data as in-memory columnar buffers. Jailbreak's key insight is that database file formats, while complex, are fully specified by their source code and documentation, artifacts that Large Language Models (LLMs) can ingest to regenerate operator-specific table reading components without human-engineered parsing logic. Jailbreak leverages LLM-assisted code synthesis for database storage decoding, turning a traditionally opaque format into a directly queryable artifact. We evaluate Jailbreak on PostgreSQL and MySQL storage files, targeting analytical snapshot scenarios common in read replicas and offline processing pipelines. The generated reader produces Apache Arrow buffers consumable directly by most of the widely known query engines, including DuckDB, Apache Spark, and GPU-accelerated frameworks such as cuDF and Spark RAPIDS. We validate correctness against JDBC/ODBC-based baselines using the TPC-H benchmark across all query results, and demonstrate significant performance improvements in end-to-end analytical throughput, achieving up to 27x speedups. Our results showcase that LLM-assisted storage reader synthesis is a viable and generalizable methodology for breaking data lock-in across database systems, with applications beyond PostgreSQL and MySQL for any system whose file format is available to the LLM from documentation or source code.