第16章 分布式内存计算平台Spark-习题答案

第16章分布式内存计算平台Spark习题16.1选择题Spark是Hadoop生态（B）组件的替代方案。A.HadoopD.HDFSB.MapReduceC.YamA.HadoopD.HDFS2、以下（DA.Driver）不是Spark的主要组件。B.SparkContextC.ClusterManagerD.ResourceManager3、Spark中的Executor是（A）o2、以下（DA.Driver）不是Spark的主要组件。B.SparkContextC.ClusterManagerD.ResourceManager3、Spark中的Executor是（A）oA.执行器B.主节点C.从节点D.上下文6、下面（D）不是Spark的四大组件之一。A.SparkStreamingC.SparkGraphXScala属于哪种编程语言（CA.汇编语言C.函数式编程语言B.D.B.D.SparkMLlibSparkR机器语言多范式编程语言Spark组件中，SparkContext是应用的（C）,控制应用的生命周期。A.主节点C.上下文B.D.从节点

执行器以下（D）不是Spark的主要组件。TaskSchedulerMultiSchedulerTaskSchedulerMultiSchedulerC.SparkContext D.Spark组件中，ClusterManager是（B）。A.从节点 B.主节点C.执行器 D.上下文关于Spark中的RDD说法不正确的是（B）。A.是弹性分布式数据集 B.是可读可写分区的集合C.存在容错机制 D.是Spark中最基本的数据抽象10.GraphX的BSP计算模型中，一个超步中的内容不包括（C九A.计算 B.消息传递C.缓存 D.整体同步点16.2填空题1、内存计算主要用于处理（数据密集型）的计算任务，尤其是数据量极大且需要实时分析处理的应用。2、 Ignite是一个可扩展的、(容飴性好的)分布式内存计算平台。3、 RDD通过一种名为(血统)的容错机制进行错误的时的数据恢复。4、 数据分析栈BDAS包括(SparkSQL)、(SparkStreaming)、(SparkGraphX)、 (MLlib)四个部分。5、 SparkStreaming是建立在Spark±的( 实时计算)框架，提供了丰富的API、基于内存的高速执行引擎，用户可以结合流式、批处理进行交互式査询应用16.3简答题1、 在硬件、软件、应用与体系等方面，内存计算有哪些主要特性？答：在硬件方面，需要大容量的内存，以便尽量将待处理的数据全部存放在内存中，内存可以是单机内存或分布式内存，且内存要足够大。在软件方面，需要有良好的编程模型和编程接口。在应用方面，主要面向数据密集型应用，数据规模大、对实时处理性能要求高。•在体系方面，需要支持并行处理数据。2、 请与MapReduce相比，Spark的优势有哪些？答：中间结果可输出。基于MapReduce的计算模型会将中间结果序列化到磁盘上，而Spark将执行模型抽象为通用的有向无环图，可以将中间结果缓存在内存中。数据格式和内存布局oSpark抽象出分布式内存存储结构RDD,用于进行数据存储。Spark能够控制数据在不同节点上的分区，用户可以自定义分区策略。执行策略。MapReduce在数据Shuffle之前总是花费大量时间来排序，Spark支持基于Hash的分布式聚合，Spark默认Shuffle已经改为基于排序的方式。任务调度的开销。当MapReduce上不同的作业在同一个节点运行时，会各自启动•个Java虚拟机(JavaVirtualMachine,JVM)；Spark同一节点的所有任务都可以在一个JVM上运行。编程模型。MapReduce仅仅提供了Map和Reduce两个计算原语，需要将数据处理操作转化为Map和Reduce操作，在一定程度增加了编程难度；Spark则提供了丰富的输出处理算子，实现了分布式大数据处理的髙层次抽象。统一数据处理。Spark框架为批处理(SparkCore)、交互式(SparkSQL)＞流式(SparkStreaming).机器学习(MLlib)、图计算(GraphX)等计算任务提供一个统一■的数据处理平台，各组件间可以共享数据。3、 请描述Pregel计算模型的缺点或局限。答：在图的划分上，釆用的是简单的Hash方式，这样固然能够满足负载均衡，但Hash方式并不能根据图的连通特性进行划分，导致超步之间的消息传递开销影响性能。

简单的Checkpoint机制只能将状态恢复到当前超步的几个超步之前，要到当前超步还需要重复计算。BSP计算模型本身有其局限性，整体同步并行对于计算速度快的Worker,长期等待的问题无法解决。由于Pregel目前的计算状态都是常驻内存的，对丁•规模继续増大的图处理可能会导致内存不足。4、请简要描述函数式编程中尾递归的含义。答：尾递归是递归的一种优化方法。递归的空间效率很低，当递归深度很深时，容易产生栈溢出的情况。尾递归就是将递归语句写在函数的最底部，这样在每次调用尾递归时，就不需要保存当前状态值，可以直接把当前的状态值传递给下次一次调用，然后清空当前的状态。占用的栈空间就是常量值，不会出现栈溢出的情况。16.4解答题1、根据用户手机上网的行为记录，基于Spark设计程序来分别统计不同设备的用户使用的上行总流量以及下行总流量。其中，数据记录的字段描述如下。序号字段字段类型描述0reportTimelong记录报告时间戳1deviceldString手机号码2upPackNumlong上行数据包数，单位：个3downPackNumlong下行数据包总数，单位：个数据文件的具体内容（一部分）如卜.:145430739116177e3c9e1811d4fb291d0d9bbd456bb4b79976114961454315971161fi)2ecf8e076d44b89f2d070fbIdf7197952918909214543043311613de7d6514f1d4ac790c630fa63d8d0be57029502281454303131161dd382d2a20464a74bbb7414c429ac45220428145430739116177e3c9e1811d4fb291d0d9bbd456bb4b79976114961454315971161fi)2ecf8e076d44b89f2d070fbIdf7197952918909214543043311613de7d6514f1d4ac790c630fa63d8d0be57029502281454303131161dd382d2a20464a74bbb7414c429ac45220428934671454319991161bb2956150d6741df875fbcca76ae9e7c5199457706答：Step!：将SparkConf封装在一个类中。importorg.apache.spark.SparkConf;importorg.apache.spark.api.java.JavaSparkContext;publicclassCommSparkContext{publicstaticJavaSparkContextgetsc(){newSparkConf sparkConf -newSparkConfO.setAppNameC'CommSparkContext'^.setMasterC'local");returnnewJavaSparkContext(sparkConf);Step2：自定义数据类型Loginfoimportjava.io.Serializable;publicclassLoglnfbimplementsSerializable{privatelongtimeStamp;privatelongupTraffic;privatelongdownTraffic;publiclonggetTimeStampO{returntimeStamp;}publicvoidsetTimeStame(longtimeStame){this.timeStamp=timeStame;}publiclonggetUpTrafficO{returnupTraffic;}publicvoidsetUpTraffic(longupTraffic){this.upTraffic=upTraffic;}publiclonggetDownTraffic(){returndownTraffic;}publicvoidsetDownTraffic(longdownTraffic){this.downTraffic=downTraffic;}publicLoglnfo()(publicLoglnfb(longtimeStame,longupTraffic,longdownTraffic){this.timeStamp=timeStame;this.upTraffic=upTraffic;this.downTraffic=downTraffic;Step3：自定义key排序类LogSortimportscala.Serializable;importscala.math.Ordered;publicclassLogSortextendsLoginfoimplementsOrdered<LogSort>,Serializable{privatelongtimeStamp;privatelongupTraffic;privatelongdownTraffic;(©OverridepubliclonggetTimeStampO{returntimeStamp;}publicvoidsetTimeStamp(longtimeStamp)(this.timeStamp=timeStamp;}@OverridepubliclonggetUpTrafficO{returnupTraffic;}@OverridepublicvoidsetUpTraffic(longupTraffic){this.upTraffic=upTraffic;}(©OverridepubliclonggetDownTraffic(){returndownTraffic;}©OverridepublicvoidsetDownTraffic(longdownTraffic){this.downTraffic=downTraffic;}publicLogSort()(}publicLogSort(longtimeStamp,longupTraffic,longdownTraffic){this.timeStamp=timeStamp;this.upTraffic=upTraffic;this.downTraffic=downTraffic;publicintcompare(LogSortthat){intcomp=Long.valueOf(this.getUpTraffic()).compareTb(that.getUpTraffic());if(comp==()){comp=Long.valueOf(this.getDownTraffic()).compareTb(that.getDownTraffic());}if(comp==0)(comp=Long.valueOf(this.getTimeStamp()).compareTo(that.getTimeStamp());}returncomp;}publicboolean$less(LogSortthat){returnfalse;}publicboolean$greater(LogSortthat)(returnfalse;}publicboolean$less$eq(LogSortthat){returnfalse;}publicboolean$greater$eq(LogSortthat){returnfalse;publicintcompareTo(LogSortthat){intcomp=Long.valueOf(this.getUpTraffic()).compareTo(that.getUpTraffic());if(comp==0){comp=Long.valueOf(this.getDownTraffic()).comparelb(that.getDownTraffic());}if(comp==0){comp=Long.valueOf(this.getTimeStamp()).compareTo(that.geiTimeStamp());}returncomp;Siep4：定义主类importmon.CommSparkContext;importorg.apache.spark.api.java.JavaPairRDD;importorg.apache.spark.api.java.JavaRDD;importorg.apache.spark.api.java.JavaSparkContext;importorg.apache.spark.api.java.function.Function?;importorg.apache.spark.api.java.function.PairFunction;importscala/I'uple2;importjava.util.List;publicclassLogApp{publicstaticJavaPairRDD<String,LogInfo>mapToPairValues(JavaRDEXSlring>rdd){JavaPairRDD<String,LogInfo>mapToPairRdd= rdd.mapToPair(newPairFunction<S(ring,String,Loglnfb>(){publicTuple2<String,Loglnfo>call(Stringline)throwsException{longtimeStamp=Long.parseLong(line.split("\t")[0]);Stringdiviceld=String.valueOf(line.split("\t")[1]);longupTraffic=Long.parseLong(line.split("\t")[2]);longdownTraffic=Long.parseLong(line.split("\t")[3]);Loginfologinfb=newLogInfb(limeStamp,upTraffic,downTraffic);returnnewTuple2<String,Loglnfb>(diviceld,loglnfb);}I)；returnmapToPairRdd;}public static JavaPairRDD<Slring,LogInfo>reduceByKeyValues(JavaPairRDD<String,LogInfo>mapPairRdd){JavaPairRDD<String,LogInfb>reduceByKeyRdd=m叩PairRdd.reduceByKey(newFunction2<LogInfb,Loginfo,Loglnfo>(){publicLoginfocall(LogInfbvl,Loglnfbv2)throwsException{longtimeStamp=Math.min(v1.getTimeStampO,v2.getTimeStamp());longupTraffic=vl.getUpTraffic()+v2.getUpTraffic();longdownTraffic=vl.geiDownTraffic()+v2.geiDownTraffic();Loglnfbloglnfb=newLoglnfb。；loglnfo.setTimeStame(timeStamp);loglnfo.setUpTraffic(upTraffic);loginfo.setDownTraffic(downTraffic);returnloglnfb;})；returnreduceByKeyRdd;public static JavaPairRDEXLogSort,String〉mapToPairSortVaiues(JavaPairRDD<String.LogInfo>aggregateByKeyRdd)(JavaPairRDD<LogSort,String> mapToPairSortRdd =aggregateByKeyRdd.niapTbPair(newPairFunction<Tuple2<String,Loglnfd>,LogSort,String>(){publicTupIe2<LogSort,String>call(Tuple2<String,Loglnfo>stringLoglnfbTuple2)throwsException{Stringdiviceld=stringLogInfoTuple2._l;longtimeStamp=stringLoglnf6Tuple2._2.getTimeStamp();longupTraffic=stringLogInfoTuple2._2.getUpTraffic();longdownTraffic=stringLogInfbTuple2._2.getDownTraffic();LogSortlogSort=newLogSort(limeStamp,upTraffic,downTraffic);returnnewTuple2<LogSort,String>(logSort,diviceld);}I)；returnmapToPairSortRdd;}publicstaticvoidmain(String[]args)(JavaSparkContextsc=CommSparkContext.getscO;JavaRDD<String>rdd=sc.textFile("{文件路径}，//rddmap()-><diviceId,LogInfo(timeStamp,upTraffic,downTraffic)>JavaPairRDD<String,LogInfb>mapToPairRdd=mapToPairValues(rdd);TOC\o"1-5"\h\z// mapToPairRdd reduceByKeyO -><diviceId,LogInfo(timeStamp,upTraffic,downTraffic)>JavaPairRDD<String,LogInfo> reduceByKeyRdd =reduceByKeyValues(mapToPairRdd);//reduceByKeyRddmap()-><LogSort(timeStamp,upTraffic.downTraffic),diviceld>JavaPairRDD<LogSort, String> mapToPairSortRdd =mapToPairSortValues(reduceByKeyRdd);//sortByKeyJavaPairRDD<LogSort,String> sortByKeyValues =mapToPairSortRdd.sortByKey(false);//TopNList<ruple2<LogSort,String»sortKeyList=sortByKeyValues.take(10);for(Tuple2<LogSort,String>logSortStringTuple2:sortKeyList)｛System.out.println(logSortStringTuple2._2+ " :logSortStringTuple2._1.getUpTraffic()+":"+logSortStringTuple2._1.getDownTrafficO);Step5：使用maven将程序打包成jar包S(ep6：将数据文件上传到hdfsStep7：运行jar包，进行SPARK_HOME/bin目录下，执行下面的操作,/spark-submit-classLogApp-masterspark://master:7077｛jar包位置｝｛hdfs文件地址｝｛结果输出的地址｝Step8：查看结果eRle893d9c254e549f740d9613b3421c:1036288:62902584da30d2697042ca9a6835f6ccec6024:930018:73745394055312ellc464d8bbl6f21e4d607c6:827278:897382C2a24d73d77d4984a1d88ea3330aa4c5:826817:9432976e535645436f4926be1ee6e823dfd9d2:806761:61367092f78b79738948bea0d27178bb€c5f3a:761462:5678991cca6591b6aa4033a190154db54a8087:750069:696854f92ecfHe076<J44b89f2d070fbldf7197:740234:779789e6164ce7a908476a94502303328b26e8:722636:513737537ec845bb4b405d9bf13975c4408b41:709045:642202第6章云计算节能技术习题6.1选择题1、 云数据中心的能耗组成包含（D）。①服务器集群的能耗②网络设施的能耗③存储设备的能耗④供电设备的能耗A.①②③ B. C.®®® D.®®@®2、 云数据中心的主要评价指标点不包括（C）。A,可靠性 B.能效C.规模 D,碳排放3、（A）是国内外云数据中心普遍接受和釆用的一种衡量云数据中心基础设施能效的指标，其值为云数据中心的总耗电量除以IT设备的耗电量。A.PUEB.DCEPC.CUED.WUE4、针对云计算等信息系统，下列选项中（D）不是节能优化相关技术。A.关闭技术B.休眠技术C.动态电压频率调节技术D.虚拟设备技术5、有序数据聚集流程步骤不包括（B）。A.数据迁移B.数据压缩C.节点部署D.数据备份6、下列选项中，（D）不是典型的重复数据删除技术。A.文件切分B.指纹值计算C.数据存储D.数据淸洗7、下列选项中，（C）不是重复数据删除的主要策略。A.分块方法B.分块粒度C.数据多样性D.元数据处理8、下列选项中，（C）主要承担同步备份元数据的镜像文件和操作日志的工作。A.客户端B.元数据服务器C.二级元数据服务器D.存储节点6.2填空题1、 PUE的实际含义是计算在提供给云数据中心的总电能中，有多少电能是真正用到了（IT设备）上。PUE值的取值范围一般为（［1.0,oo））o2、 云数据中心必须配备可以调节（温度）和（湿度）的环境控制设施，以确保云数据中心能正常运行。3、 重复数据删除技术通过比对数据的指纹值等唯一特征，相同的数据仅保留一份，其目的是消除（数据冗余）和降低存储容量需求6.3简答题1、 目前云数据中心的主要评价指标点有哪些？答：云数据中心的主要评价指标点包括：可靠性、能效、碳排放、水资源、土地资源、污染排放、资源回收利用。2、 实现绿色云数据中心，可以从哪些方面入手？答：基础设施：尝试不断引入节能环保新技术，采用高能效的基础设施来支撑绿色云数据中心的部署。IT设备：降低计算设备在计算过程中的能耗，可以从源头上提高IT设备的能源利用率。能源利用率：利用汇聚技术和虚拟化技术提高绿色云数据中心的能源利用率，可以有效提高云数据中心的整体能效。能耗管理：实时、全面地监控整个云数据中心乃至网络的能耗情况，对每天产生的海量能耗数据进行多维度的分析，并给出合理的节能建议，设计有针对性的能效优化策略。3、针对云计算等信息系统，目前主要采用的节能优化技术包括哪些？答：主要采用的节能优化技术包括低功耗硬件、关闭/休眠技术、动态电压频率调节技术、绿色网络通信、温控节能技术、虚拟化技术、资源配置、节能调度技术、绿色数据部署机制。6.4解答题1、请阐述分析绿色计算的技术内涵。答：绿色计算顺应低碳社会建设的需求，是推动社会可持续发展和科技进步的一个重要方面。本着对环境负责的原则使用计算机及相关资源的行为，绿色计算(GreenComputing)强调减少资源消耗，妥善处理电子垃圾。绿色计算涉及系统结构、系统软件、并行分布式计算及计算机网络，以保证计算系统的高效、可靠及提供普适化服务为前提，以计算系统的低能耗为目标，强调釆用高效节能的CPU、服务器和外围设备，是面向新型计算机体系结构和包括云计算在内的新型计算模型，通过构建能耗感知的计算系统、网络互联环境和计算服务体系，为日益普适的个性化、多样化信息服务提供低能耗的支撑环境。2、请阐述用虚拟化技术来实现云计算节能的原理以及存在的问题。答:虚拟化技术是实现云计算节能的一种重要方式。虚拟化技术通过将物理资源抽象为虚拟资源的方式，可在一台物理主机上虚拟出多台虚拟机，将若干个任务分配到这些虚拟机上运行，可•通过提高主机资源的利用率来减少所需主机的数量，从而降低能耗。另外，利用虚拟机迁移技术，可实现虚拟机的聚集，从而为关闭/休眠技术提供支持。虚拟化本身要付出较高的能效代价，且虚拟化的层次越深能耗代价越高，因此仅釆用现有的虚拟化技术，在云计算系统性能和能效方面的优化效果是有限的。现有的虚拟机管理器不能与其上层支撑的多操作系统相互传递能耗特征，也不能感知上层应用的负载和运行状况，导致在进行任务调度时的能效比不能令人满意。第7章大数据概览习题7.1选择题1、下列说法错误的是(B数据是指对客观事件进行记录并可以鉴别的符号信息是数据的表现形式和载体数据只有在传递的过程中才能够被称为信息信息的时效性对于信息的使用和传递具有重要的意义2、 从数据的表现形式看，大数据的主要典型特征有（A）o①海量②多样③快速④价值A.①②③④ B.②③④ C.①③④ D.①②④3、 以下（B）不是大数据生命周期的主要组成部分。A.数据釆集 B.数据压缩 C.数据处理 D.结果可视化4、 目前大数据平台主要包括大数据釆集平台、大数据批处理平台、流数据处理平台、内存计算平台和深度学习平台等；以下（C）属于流数据处理平台。A.Hadoop B.PytorchC.Storm D.TensorFlow5、 Nutch是釆用（D）语言编写的具有高可扩展性的搜索引擎。A.PytorchB.C C.BASICD.Java7.2填空题1、 数据（可视化）指通过图形化的方式，以一种直观、便于理解的形式展示数据及分析结果的方法。2、 （ 深度学习 ）通过建立进行分析学习的多层次深度神经网络，组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。3、 Storm平台中，（Topology/拓扑）是由一系列通过数据流相互关联的Spoul和Bolt组成的有向无环图。4、 TensorFlow是由（张量/Tensor）和（数据流/Flow）两部分组成。5、 Spark作业执行一般采用（主从式）架构。7.3简答题1、请简单描述Nutch与Hadoop之间的关系。答：Nutch为实现基于Hadoop分布式平台下的多物理主机并行进行数据釆集提供了有效支持。在Hadoop分布式平台下，Nutch采用Hadoop分布式文件系统，通过Hadoop的MapReduce计算模型来釆集页面中与某个主题相关的数据，可在短时间内采集大量的数据。Nutch与Hadoop的关系如下图所示。2、 分析相关数据可以帮助企业降低成本、提高效率、开发新产品、做出更明智的业务决策等。通过大数据分析，企业一般可以实现哪些目标？答：（1） 及时解析故障、问题和缺陷的根源，从而降低成本。（2） 为成千上万的快递车辆规划实时交通路线，避开拥堵。（3） 分析库存，以利润最大化为目标来定价和清理库存。（4） 根据客户的购买习惯，推送客户可能感兴趣的优惠信息。（5） 从大量客户中快速识别出金牌客户。（6） 通过流量分析和数据挖掘来规避欺诈行为。3、 为了保证内容的正确性，维基百科在技术上和运行规则上制订了哪些规范？答：（1） 版本控制。保留词条每一次更新的版本，即使参与者将整个词条删掉，管理者也可以很方便地从记录中恢复词条。（2） 词条锁定。采用锁定技术将一些主要词条的内容锁定，其他人就不可再编撰这些词条。（3） 更新备注。在更新一个词条时可以在描述栏中备注，以便管理员知道词条更新的操作细节。（4） IP禁用。为了防止恶意用户对系统及内容的破坏，维基百科通过识别和禁用IP的方式,防止恶意用户的后续破坏行为。（5） 沙盒测试。维基百科的词条都建有沙盒测试页而，以便让初次参与的人先到沙盒页而来无损害的熟悉系统功能，即使操作失误也没有关系。7.4解答题1、制造业需要利用数据分析技术、工具或平台，智能地从大量复杂的原始生产数据中发现新的模式和知识作为改进生产过程的决策依据。面向制造业的数据处理平台架构包含哪几个层次？答：•物理资源层。物理资源层主要包括底层的物理设备，这些物理设备能有效地支撑数据存储和扩展。逻辑资源层。逻辑资源层包括存储资源和计算资源。存储资源建立在物理设备的基础上，包括传统数据库、本地文件系统、分布式文件系统等。计算资源是逻辑上的计算单元，数据处埋平台的计算能力依赖于计算单元的数量，通过扩展配置计算单元的数量能有效地支撑上层的数据挖掘任务。•数据分析任务管理层。该层是数据处理平台的核心，能有效地连接分析功能与后台集群。合理的数据分析平台设计需要具备任务管理能力主要包括易于算法扩展、支持任务流和任务间依赖关系的配置、任务调度、计算资源和存储资源的配置。数据分析平台通过数据分析框架来有效支撑数据分析任务管理。数据分析层。数据分析层提供具体分析任务的用户执行接口，数据分析任务主要包括数据立方、对比分析、时间维分析、数据操作、结果展示和分析报告。第1章云计算概览习题1.1选择题1、 下列关于云计算的说法错误的是（D）。可以提供按需使用、按量计费的服务可以满足用户的弹性使用需求用户可以在任意时间和地点通过网络获取所需的资源主要基于非虚拟化资源池2、 以下不属于目前典型云计算服务模型的是（BA.软件即服务 B.系统即服务 C.平台即服务D.基础设施即服务3、以下属于云计算的基本特性的是（D）。A.效用计算 B.基于网络访问C.用户可自配置资源D.以上都是4、laaS服务模型主要提供的资源不包含（CA.计算资源 B.存储资源 C.应用程序D.网络资源5、下列云计算平台不属于laaS服务的平台是（C）。A.AWS B.EC2 C.WindowsAzureD.S36、PaaS服务模型强调（A）的概念。A,平台 B.资源 C.环境D.软件7、以下不属于云计算部署模型的是（C）。A.公有云 B.私有云 C.企业云D.混合云8、云计算的产生与发展综合了许多技术，包括（D）。A.虚拟化技术B.分布式计算 C.效用计算D.以上都是9、网格计算和公共计算服务的最主要目的是（A）»

把大量机器整合成一个虚拟的超级机器，供分布在世界各地的人们使用实现计算能力像煤气、水、电一样，自由、免费取用实现规模可根据用户的实际需要动态调整和伸缩通过节点互保来保障平台的可靠性10、云计算的体系架构不包括（CA.SOA构建层把大量机器整合成一个虚拟的超级机器，供分布在世界各地的人们使用实现计算能力像煤气、水、电一样，自由、免费取用实现规模可根据用户的实际需要动态调整和伸缩通过节点互保来保障平台的可靠性10、云计算的体系架构不包括（CA.SOA构建层B.物理资源层C.网络调度层 D.虚拟化资源池层11、在云计算的管理中间件层中包含对（DA.用户B.任务 C.）的管理功能。应用D.以上都是12、云计算有许多关键技术，其中包含（D）。A.分布式数据存储技术C.绿色节能技术B.分布式并行编程模型技术D.以上都是13、云计算安全保障技术包括（C.隔离技术D.以上都是A.身份认证机制B.访问控制机制14C.隔离技术D.以上都是数据中心地点只能固定数据中心中包括日常行政管理工作人员工作的区域数据中心的PUE值一般情况下不小于1数据中心中的服务器在运行时需要供电和降温15、区块链的核心是（D）,是区块链网络中各个节点达成一致的方法。A.数据层B.网络层C.合约层D.共识层1.2填空题1、 从（云计算的核心服务层次）角度分类，云计算可以分为laaS、PaaS和SaaS三种服务模型。2、 相对于私有云，公有云是不同的单位、机构和个人共享使用的平台，容易存在安全隐患，所以强调（对用户应用的隔离）等模块。3、 云计算系统的建设、云计算任务优化调度、根因溯源可通过（大数据）分析得到的。4、 区块链本质是一种（点对点网络下的不可篡改的分布式数据库），主要应用于互联网金融、产品供应链等需要追溯的环节和领域。5、 与云计算不同，边缘计算将计算任务放在接近（数据源）的计算资源上运行，可以有效减小计算系统的延时，减少数据传输带宽，缓解云计算数据中心的压力。1.3简答题1、 请简述云计算的典型特征。答：•规模庞大。云计算中心一般都有相当大的规模，如阿里云目前在全球几十个地区都部署了数据中心，服务器总规模达数百万台，通过整合海量的服务器集群，可提供巨大的计算和存储能力。资源聚合。云计算将大规模的分散计算资源和存储资源聚合起来，共同支撑用户完成各种计算任务并满足存储需求。虚拟抽象。云计算基于物理服务器为用户提供虚拟化的服务