智网专项测试卷附答案

智网专项测试卷附答案一、单项选择题（每题2分，共20分）1.以下哪项技术是智能网络（智网）实现海量设备低功耗连接的核心支撑？A.5G增强移动宽带（eMBB）B.窄带物联网（NBIoT）C.边缘计算D.人工智能（AI）图像识别答案：B解析：NBIoT具备广覆盖、大连接、低功耗特性，专为物联网海量低速率设备设计，是智网中低功耗广域网（LPWAN）的典型技术；eMBB侧重高带宽场景，边缘计算关注本地化处理，AI图像识别为垂直应用技术。2.智网中“端边云”协同架构的主要目的是：A.降低终端硬件成本B.提升数据实时处理效率C.减少云服务器存储压力D.简化网络拓扑结构答案：B解析：端（终端）负责数据采集，边（边缘节点）进行本地化实时处理，云（中心云）承担复杂计算与全局分析，三者协同可缩短数据传输路径，降低延迟，提升实时性；降低成本、减少存储压力是间接效果，非核心目的。3.以下哪种场景最能体现智网“泛在连接”的特征？A.工厂内AGV小车通过WiFi6与中控系统通信B.智能家居设备通过Zigbee协议实现联动控制C.偏远山区通过卫星物联网实现气象传感器数据回传D.城市交通摄像头通过5G网络实时上传高清视频答案：C解析：泛在连接强调覆盖无死角，卫星物联网可突破地面网络限制，实现偏远地区设备连接；其他选项虽涉及连接，但未体现“泛在”的广域覆盖特性。4.智网中数据脱敏技术的主要作用是：A.压缩数据传输带宽B.防止敏感信息泄露C.提升数据存储效率D.增强数据加密强度答案：B解析：数据脱敏通过去标识化（如替换姓名为“用户A”）或变形（如部分隐藏身份证号）处理，使数据不包含可识别特定个体的信息，核心目的是保护隐私；压缩带宽、提升存储效率是数据压缩技术的作用，加密强度由加密算法决定。5.以下哪项不属于智网安全防护的“三重边界”？A.物理边界（设备物理访问控制）B.网络边界（防火墙、入侵检测）C.数据边界（脱敏、权限管理）D.应用边界（漏洞修复、版本升级）答案：D解析：智网安全三重边界通常指物理、网络、数据边界；应用边界的防护（如漏洞修复）属于应用层安全措施，不单独列为三重边界之一。二、判断题（每题2分，共10分。正确填“√”，错误填“×”）1.智网中的边缘节点必须部署在距离终端1公里以内。（）答案：×解析：边缘节点的部署位置取决于业务需求（如延迟要求），并非严格限制在1公里内，部分场景下可部署在区域数据中心（如550公里范围）。2.工业智网中，时间敏感网络（TSN）技术可实现设备间纳秒级同步。（）答案：√解析：TSN通过精确时间协议（PTP）和流量调度机制，支持工业场景下设备的高精度时间同步，同步精度可达亚微秒甚至纳秒级。3.智网中，区块链技术主要用于提升数据传输速率。（）答案：×解析：区块链的分布式记账与不可篡改特性主要用于数据存证、可信交易等场景，无法直接提升传输速率；提升速率依赖5G、WiFi6等通信技术。4.智慧城市智网中，多源异构数据融合的关键是统一数据格式。（）答案：×解析：数据格式统一是基础，关键在于通过语义解析、本体建模等技术实现数据语义层面的互理解，否则仅格式统一无法实现深度融合。5.智网终端设备的固件安全防护应仅关注出厂前的漏洞检测。（）答案：×解析：固件安全需全生命周期管理，包括出厂前检测、部署后远程安全升级（OTA）、运行时异常行为监测等，仅关注出厂前无法应对后续暴露的漏洞。三、简答题（每题8分，共24分）1.简述智网中“数字孪生”技术的典型应用场景及核心实现步骤。答案：典型场景：智慧工厂（设备运行状态模拟）、城市治理（交通流量预测）、能源管理（电网负荷仿真）。核心步骤：①数据采集（通过传感器、IoT设备获取物理实体实时数据）；②模型构建（基于物理规律或机器学习建立虚拟模型）；③双向映射（虚拟模型反馈控制物理实体，物理实体数据更新模型）；④分析优化（通过模型仿真预测问题并优化决策）。2.智网中5G“切片”技术如何支持不同行业的差异化需求？请举例说明。答案：5G切片通过网络功能虚拟化（NFV）和软件定义网络（SDN），将物理网络划分为多个逻辑独立的虚拟网络，每个切片可定制带宽、延迟、可靠性等参数。例如：①车联网切片需低时延（<10ms）、高可靠（99.999%），用于自动驾驶指令传输；②智慧医疗切片需高带宽（100Mbps以上）支持远程手术4K视频传输；③智慧农业切片侧重广覆盖、大连接（每平方公里10万个设备），满足传感器密集部署需求。3.智网面临的主要安全风险有哪些？请从终端、网络、数据三个层面各举一例。答案：终端层面：物联网终端（如摄像头）因资源受限未及时更新固件，被植入恶意代码发起DDoS攻击（如Mirai病毒事件）。网络层面：5G空口信令被截获，攻击者伪造终端接入请求，非法占用网络资源。数据层面：智慧城市平台存储的居民健康数据因访问权限配置不当，被内部人员非法导出贩卖。四、案例分析题（共26分）某城市推进“智网+垃圾分类”项目，部署智能垃圾桶（内置重量传感器、摄像头、4G模块）、社区管理平台及市级大数据中心。运行3个月后，出现以下问题：①部分垃圾桶4G信号弱，数据上传延迟超30秒；②摄像头识别湿垃圾准确率仅75%（设计目标90%）；③平台显示垃圾桶满溢报警，但环卫工人到场发现未满。请分析问题原因并提出解决方案。答案：问题①原因：垃圾桶部署位置（如地下车库、建筑遮挡区域）4G覆盖不足；4G模块型号不支持频段（如仅支持低频段，未覆盖当地运营商高频段）。解决方案：①补盲覆盖：在信号弱区域增设4G微站或升级为5G模组（利用5G中低频段覆盖优势）；②设备适配：更换支持多频段的通信模块，或增加LoRa副链路作为备份传输。问题②原因：训练数据集中湿垃圾样本量不足（如仅包含常见果皮，未覆盖汤渣、茶叶等粘稠物）；模型未针对复杂场景（如雨天反光、垃圾遮挡）优化。解决方案：①数据增强：采集更多场景下的湿垃圾图像（包括不同光照、遮挡、湿度条件），扩充训练集；②模型调优：采用迁移学习（基于预训练的ResNet模型微调），或引入多模态识别（结合重量传感器数据辅助判断）。问题③原因：满溢判断逻辑单一（仅基于高度传感器阈值）；垃圾桶内垃圾蓬松度不同（如纸张类垃圾体积大但重量轻，触发报警后被压缩仍有空间）；传感器校准误差（如安装倾斜导致高