2025年物联网期末考试题及答案

2025年物联网期末考试题及答案一、单项选择题（每题2分，共20分）1.某智慧物流仓库中，需要对托盘货物进行非接触式、多目标实时识别，最适合的感知技术是（）A.条码扫描器B.RFID标签C.摄像头D.温湿度传感器答案：B（RFID可实现多目标非接触识别，适合托盘级货物管理）2.以下物联网协议中，最适合低功耗广域网（LPWAN）中终端与基站间小数据量、低频次通信的是（）A.HTTPB.MQTTC.CoAPD.NB-IoT答案：D（NB-IoT专为LPWAN设计，支持低功耗、广覆盖、大连接）3.边缘计算在物联网架构中的核心作用是（）A.替代云计算中心B.减少数据传输延迟C.提升终端存储能力D.降低终端计算复杂度答案：B（边缘计算通过在靠近终端侧处理数据，减少云端传输延迟）4.某工业物联网场景中，需实现设备间毫秒级实时协同控制，最适合的网络接入技术是（）A.4GCat.1B.Wi-Fi6C.5GURLLCD.LoRa答案：C（5GURLLC（超可靠低时延通信）支持毫秒级时延，满足实时控制需求）5.数字孪生技术在智慧园区中的典型应用是（）A.园区温湿度数据采集B.设备故障预测与仿真C.人员定位考勤D.能耗数据统计答案：B（数字孪生通过虚拟模型仿真物理实体状态，支持故障预测）6.物联网终端设备进行OTA（空中下载）升级时，关键要解决的安全问题是（）A.升级包的完整性验证B.终端存储容量限制C.网络传输速率D.终端计算能力答案：A（OTA升级需确保升级包未被篡改，完整性验证是核心安全需求）7.以下不属于物联网数据处理特征的是（）A.海量多源异构B.实时性要求高C.结构化数据为主D.边缘-云协同处理答案：C（物联网数据多为传感器产生的非结构化/半结构化数据）8.某农业大棚需监测土壤pH值、光照强度、CO₂浓度，应选择的传感器组合是（）A.压力传感器+红外传感器+气体传感器B.电化学传感器+光电传感器+气体传感器C.温度传感器+图像传感器+压力传感器D.加速度传感器+激光传感器+湿度传感器答案：B（pH值用电化学传感器，光照用光电传感器，CO₂用气体传感器）9.物联网系统中，设备身份认证的主要目的是（）A.防止数据被篡改B.确保设备合法接入C.提升数据传输速率D.降低设备功耗答案：B（身份认证验证设备是否有权接入系统，是访问控制的基础）10.以下关于M2M（机器对机器）通信的描述，错误的是（）A.通常不需要人工干预B.数据量小但连接密度高C.对实时性要求普遍较低D.需支持大规模设备并发答案：C（部分M2M场景如工业控制对实时性要求极高）二、填空题（每空1分，共15分）1.物联网三层架构中，负责信息采集与执行的是______层，实现数据传输的是______层，完成数据处理与应用的是______层。答案：感知；网络；应用2.RFID系统的基本组成包括______、______和______。答案：电子标签（应答器）；读写器（阅读器）；后端系统3.5G网络支持物联网的三大场景是______、______和______。答案：增强移动宽带（eMBB）；大规模机器类通信（mMTC）；超可靠低时延通信（URLLC）4.物联网安全的“三元组”防护目标是______、______和______。答案：机密性；完整性；可用性5.边缘计算的典型部署位置包括______、______和______（任填三个）。答案：网关；基站；工厂本地服务器；智能终端（任选三个）6.LoRa（长距离无线电）技术采用______调制方式，其核心优势是______和______。答案：扩频（CSS）；长距离传输；低功耗三、简答题（每题8分，共40分）1.简述NB-IoT与LoRa技术的主要差异及适用场景。答案：差异：（1）标准与授权：NB-IoT基于3GPP标准，使用授权频谱；LoRa基于私有协议，使用非授权频谱。（2）覆盖与容量：NB-IoT覆盖范围广（郊区15km+），支持单基站10万+连接；LoRa覆盖稍弱（郊区10km左右），单基站连接数约万级。（3）功耗与速率：两者均低功耗，但NB-IoT数据速率稍高（约100-250kbps），LoRa速率更低（几百bps至几十kbps）。（4）运营商支持：NB-IoT依赖运营商网络部署；LoRa可自建私有网络。适用场景：NB-IoT适合需要运营商支持、大规模连接的公共服务（如智能水表、燃气表）；LoRa适合需自建网络、对成本敏感的私有场景（如偏远农场环境监测）。2.物联网终端设备低功耗设计需考虑哪些关键技术？请列举并简要说明。答案：（1）休眠-唤醒机制：设备大部分时间处于休眠状态，仅在需要采集/传输数据时唤醒，减少运行功耗。（2）低功耗芯片选型：采用专为物联网设计的低功耗MCU（如ARMCortex-M0+）或无线芯片（如NordicnRF系列）。（3）高效电源管理：集成DC-DC转换、动态电压调节（DVS）等技术，根据负载调整供电电压。（4）短包数据传输：优化数据协议（如CoAP），减少传输时长；选择低速率但高效的无线技术（如BLE5.3）。（5）能量harvesting（能量收集）：利用太阳能、振动能等环境能量补充供电，延长设备寿命。3.说明物联网中“端-边-云”协同的典型流程，并举例说明其优势。答案：流程：（1）终端（端）：通过传感器采集原始数据（如工厂设备温度、振动值）。（2）边缘节点（边）：对数据进行初步处理（如滤波去噪、异常检测），仅将关键数据（如超过阈值的异常值）上传至云端。（3）云端（云）：对全局数据进行深度分析（如机器学习建模），提供优化策略（如设备维护建议），下发至边缘或终端执行。优势示例：在智慧工厂中，若所有设备原始数据直接上传云端，会导致网络拥塞和计算资源浪费。通过边缘节点实时过滤掉正常数据，仅上传异常数据，可降低80%以上的传输量，同时云端通过全局数据训练的模型反哺边缘，实现更精准的本地决策（如自动停机保护）。4.物联网数据的“时空关联性”指什么？在农业物联网中如何利用这一特性提升应用价值？答案：时空关联性：物联网数据的价值不仅取决于单一时间点或位置的数值，还与相邻时间、空间的数据相关（如某地块今日土壤湿度与昨日降雨量、周边地块湿度的关联）。农业应用：（1）病虫害预警：结合当前温湿度（时间维度）、地块位置（空间维度）及历史病虫害发生数据，预测病虫害风险。（2）精准灌溉：分析某区域土壤湿度的空间分布（如坡地上下层湿度差异）和时间变化（如昼夜蒸发量），动态调整灌溉策略。（3）作物产量预测：关联不同生长阶段（时间）的光照、温度数据与地块肥力（空间），建立更准确的产量模型。5.列举物联网安全面临的三大主要威胁，并说明对应的防护措施。答案：威胁1：设备伪造（非法设备接入）。防护：采用双向认证（如基于PKI的数字证书），设备出厂时烧录唯一私钥，接入时与云端公钥验证身份。威胁2：数据篡改（传输或存储中数据被修改）。防护：使用哈希算法（如SHA-256）提供数据摘要，传输时附加摘要；存储时采用区块链技术，通过分布式账本保证不可篡改。威胁3：拒绝服务攻击（大量伪造请求导致网络/服务器瘫痪）。防护：边缘节点部署入侵检测系统（IDS），识别异常流量（如短时间内大量重复请求）并拦截；云端采用负载均衡和流量清洗技术。四、综合应用题（共25分）1.某城市计划建设“智慧路灯”物联网系统，要求实现以下功能：LED路灯智能调光（根据光照强度自动调节亮度）、充电桩管理（为电动车提供充电服务）、环境监测（PM2.5、噪声、温度）、紧急报警（路灯杆上的一键呼叫按钮）。请设计该系统的架构，并说明各层关键技术与设备选型。（15分）答案：系统架构设计（分层描述）：（1）感知层：功能：数据采集与指令执行。关键设备：光照传感器（如BH1750，检测环境光照强度）；充电桩控制器（支持OCPP协议，管理充电接口）；环境传感器（PM2.5传感器（激光散射原理）、噪声传感器（麦克风+模数转换）、温度传感器（DS18B20））；紧急报警按钮（带防误触设计，触发时发送位置信息）；LED驱动模块（PWM调光，支持0-100%亮度调节）。（2）网络层：功能：数据传输与设备通信。关键技术：短距通信：路灯节点间通过Zigbee3.0或Wi-Fi6Mesh组网（支持自修复，避免单节点故障）；广域连接：通过5GCat.1或NB-IoT将汇总数据上传至城市物联网平台（5G满足充电桩高带宽需求，NB-IoT满足传感器低功耗需求）；协议选择：设备与平台间使用MQTT（支持异步通信，适合低带宽场景），充电桩与电力系统间使用OCPP2.0.1（充电协议国际标准）。（3）平台层：功能：数据存储、处理与应用支撑。关键技术：数据库：时序数据库（如InfluxDB）存储传感器实时数据，关系型数据库（如PostgreSQL）存储设备信息、用户充电记录；规则引擎：根据光照强度阈值（如<300lux时开启路灯）触发调光指令；AI算法：基于历史数据预测夜间车流量，动态调整路灯亮度（如深夜低车流量时调至30%亮度）；地理信息系统（GIS）：在电子地图上标注路灯位置，关联紧急报警时的具体杆号（如“路灯杆ID007”对应坐标（30.12,120.45））。（4）应用层：功能：面向不同用户的服务。管理端：市政部门通过Web平台监控路灯状态、环境数据，查看充电统计报表；用户端：电动车用户通过APP查找空闲充电桩、预约充电、支付费用；应急端：紧急报警时，平台自动向最近的派出所发送位置信息，同步在监控大屏显示报警点实时画面（需集成摄像头）。2.某制造企业计划引入物联网技术优化生产线，目标包括：设备运行状态实时监控（振动、温度、电流）、产品质量在线检测（外观缺陷）、生产流程追溯（从原料到成品的全链路数据）。请设计该物联网系统的数据流向，并分析可能遇到的挑战及解决方案。（10分）答案：数据流向设计：（1）设备状态数据：振动传感器（如压电式加速度传感器）→温度传感器（如PT100热电阻）→电流传感器（如霍尔电流传感器）→边缘网关（采集频率：振动1kHz（高频）、温度/电流1Hz（低频））→边缘计算单元（实时分析：振动频谱是否异常（如轴承故障特征频率）、温度是否超阈值（如>80℃）、电流是否稳定）→异常数据上传云端（正常数据本地存储，定期归档）→云端大数据平台（存储历史数据，训练故障预测模型）→模型下发边缘（优化本地检测规则）。（2）质量检测数据：工业相机（500万像素，帧率30fps）→图像采集卡→边缘AI服务器（部署YOLOv8或ResNet模型，实时检测产品外观缺陷（如划痕、尺寸偏差））→合格/不合格结果上传MES系统（制造执行系统）→不合格品数据（含图像、缺陷类型）存储至云端数据库→质量分析平台（统计缺陷分布，定位问题工序）。（3）生产追溯数据：原料RFID标签（绑定批次号、供应商）→产线各工序RFID读写器（记录上料、加工、组装时间）→工人操作终端（扫码录入操作员工号、参数调整记录）→边缘网关（汇总为追溯数据流：原料ID→工序1时间→操作员工号→工序2参数→…→成品ID）→区块链节点（各工序节点共同记账，确保数据不可篡改）→云端追溯平台（消费者/监管方可通过成品ID查询全链路信息）。挑战及解决方案：（1）高频数据传输压力：振动传感器1kHz采样率会产生大量数据（如100台设备×10个传感器×1000点/秒=10^7点/秒）。解决方案：边缘侧进行数据压缩（如FFT变换提取特征频率，仅上传特征值）；采用5GURLLC切片保障关键数据实时传输，非关键数据通过Wi-Fi6回传。（2）质量检测模型实时性要求：工业相机30fps需在33ms内完成图像推理，否则影响产线速度。解决方案：边缘AI服务器采用GPU加速（如NVIDIAJetsonAGXOrin）；模型轻量化（如剪枝、量化），将ResNet-50压缩为MobileNetV3，