為了瞭解我們系統的可行性，我們設計了一些實驗來檢驗我們系統的效 能。由於系統是建置在各資料庫之上，因此我們預期系統在處理大量資料時，能 夠維持一個穩定的執行狀態，在一般的運算上，也能夠有著可接受的效率。我們 實驗測試的環境為：
CPU：Intel Pentium4 2.0G Memory：256 Mb
Hard Disk：Maxtor 80Gb OS：Windows XP
Database：Oracle 9.1
5.1 矩陣加法的比較
圖 14 矩陣加法效能比較
圖(14)顯示的是利用 Java 程式執行矩陣加法 10 次，以及利用單一資料 庫的內儲程式來執行矩陣加法10 次，以及將資料分散至兩台資料庫利用內儲程 式各自執行矩陣加法5 次運算的結果比較。在資料量小於 50Mb 時，明顯的 Java
程式相較於資料庫內儲程式的運算有著較高的效能。但是在資料量增加成為 100Mb 後，由於矩陣加法在兩個矩陣相加後，需將結果存至第三個矩陣，所以 程式執行時會需要3 倍的計算空間，已超過了機器的實體記憶體，即使在執行之 前改變Java 執行環境(Java Runtime Environment)的旗標來增加 heap 和 stack 的大 小，但是 Java 程式在單一資料庫做完運算的時間內，仍無法結束運算。相較之 下，雖然資料庫的運算在資料量較小時，需要較多的時間來完成運算，但是在資 料量增加到一定大小後，還能穩定的完成運算。
5.2 矩陣乘法的比較
圖 15 矩陣乘法效能比較
除了矩陣加法之外，我們還測試了更耗費資源的矩陣乘法，其結果如圖(15) 所示。對一個N 維矩陣來說，矩陣乘法中矩陣的每一個位置的值需要經過 N 次 的乘法及N-1 次的加法所獲得，隨著資料量的增加，比起矩陣加法，計算的複雜 度更是可觀。以 1Mb 的資料量來說，Java 程式的實做，矩陣乘法所花費的時間 將近是矩陣加法的100 倍，且當資料量增加到為 50Mb 時，程式執行時會發生超 出記憶體的錯誤而無法執行。然而使用內儲程式執行的矩陣乘法，在執行上所花 的時間並沒有如同Java 程式那般暴增。
其間的差異，經過我們的分析，由於資料庫內儲程式能夠直接對儲存矩陣
的資料表格做存取，且矩陣存放在我們定義的 tbl 表格中，每個位置的值皆有 row_id 與 column_id 來作為資料表的鍵值，而這兩個欄與列的索引在矩陣的運算 上，提供了相當程度的便利，加速了矩陣乘法的運算。當資料量增大時，資料庫 的運算依然保持穩定的效能，並不像一般程式容易造成執行失敗的情形發生。因 此在面對大量的資料且在某些大量計算的情形下，以資料庫來完成運算，會較一 般使用程式來的更加的有效率及穩定。
5.3 資料傳輸的比較
我們建立的環境中，在服務與服務之間，底層訊息傳遞的機制是利用socket 來傳送XML 的訊息，由於各獨立的資料庫能夠將資料輸出成備份格式，並指定 傳入至特定的資料庫上，我們希望檢視我們所利用的資料傳輸的機制，與目前常 用的方法相較之下，是否會造成效能上的負擔。以格網環境為例，資料傳輸的服 務利用了GridFTP 這個通訊協定，而 GridFTP 則是建立在目前通用的 FTP 協定 之上，所以我們使用了socket 與 FTP 來傳輸資料，作了簡單的實驗。
圖 16 資料傳輸效能比較
結果顯示，我們使用socket 來傳遞資料，與在格網環境中使用的 FTP 相較，
資料量增加的情況下，兩者皆有著類似的效能，因此我們的系統在資料傳輸的效 能上，也能保持一個穩定的狀態。
5.4 k-means 程式比較
在我們的系統中提供了利用XML 來完成程序的編寫，並由於我們的系統架 構能夠支持平行程式的運算，所以我們編寫了k-means 的平行程式，希望來比較 在我們系統的環境下將程式平行化並執行，與利用單獨資料庫的內儲程式來完成 運算之間的效能的差別。
圖 17 k-means 比較
由實驗結果可以看出，將資料分散至兩台資料庫上執行所需的時間，與在 單一資料庫上執行的時間相比，並非理想中的二分之一；同樣的，分散至四台資 料庫執行的時間，也大於單一資料庫上執行所需時間的四分之一。分析差異造成 的原因，由於在計算完成後，尚須將結果傳回至主機，且在整個程式的執行過程 中，需要資料的傳遞時間計算在內，以及執行運算的各台機器的狀態不一，在平 行計算後，主程式需要得到每一台運算完的結果，才能繼續程式的執行，因此若 有某台機器的執行速度較慢，則會降低程式整體的執行速度。加上由於在平行 k-means 程式一開始，需要從主機上將運算的資料經由資料庫輸出(Export)、傳 遞、以及資料庫輸入(Import)至各機器上，這個部分也佔去部分執行時間，所以 我們將平行k-means 程式中，一開始傳輸部分資料的時間扣除，單純比較運算之 間的速度差異，實驗結果在圖(18)。
圖 18 平行 k-means 運算比較
整體而言，將運算切割並分散至多台機器上執行，在執行大量運算時，由 於各台機器僅需要處理部分的原始資料，因此在計算時間上能夠有效的減少。相 較於在單一的機器上運作，花費較短的時間而能提供較佳的效能。