2026年继续教育公需科目大数据技术及应用题库及答案

2026年继续教育公需科目大数据技术及应用题库及答案一、单项选择题（每题1分，共30分）1.下列哪项最能准确描述大数据的“4V”特征？A.Volume、Velocity、Variety、ValueB.Volume、Velocity、Variety、VeracityC.Volume、Velocity、Virtualization、ValueD.Volume、Velocity、Variety、Visibility2.在Hadoop生态中，负责资源管理与任务调度的组件是：A.HDFSB.YARNC.MapReduceD.Hive3.某电商公司每日新增日志文件约2TB，存储周期90天，采用HDFS三副本策略，则理论裸容量需求为：A.60TBB.120TBC.180TBD.540TB4.Spark相比MapReduce性能提升的核心原因是：A.基于磁盘迭代B.基于内存迭代C.基于网络迭代D.基于GPU迭代5.在Kafka中，负责持久化消息并以顺序写方式保证高吞吐的组件是：A.ProducerB.ConsumerC.BrokerD.ZooKeeper6.下列哪项不是NoSQL数据库的共同特征？A.模式灵活B.高可扩展C.强一致性优先D.支持分布式7.使用HBase存储海量稀疏矩阵时，RowKey设计的最佳实践是：A.随机哈希前缀+时间戳倒序B.连续递增数字C.固定长度字符串D.纯时间戳正序8.在Flink中，Exactly-once语义依赖的核心机制是：A.异步快照+状态回滚B.两阶段提交C.幂等写D.事务日志9.某运营商构建用户画像，需对2亿条位置记录做地理栅格聚合，最适合的分布式计算框架是：A.StormB.FlinkC.HiveonTezD.Pandas10.数据湖与数据仓库的本质差异在于：A.是否支持SQLB.是否schema-on-readC.是否支持事务D.是否支持实时11.在ClickHouse中，对亿级记录执行selectcount()fromtable，返回结果耗时毫秒级，其主要原因是：A.列式存储+稀疏索引B.行式存储+稠密索引C.内存计算+全表扫描D.预聚合物化视图12.下列算法中，常用于推荐系统冷启动场景的是：A.协同过滤B.矩阵分解C.内容相似度D.深度学习13.在数据治理体系中，负责定义“同一客户只能有一个会员ID”的规则属于：A.数据标准B.数据质量C.元数据管理D.主数据管理14.某市政府开放数据平台采用API网关限流，令牌桶容量1000，每秒填充500，突发流量1200并发，则理论上首次被限流的请求是第：A.1001B.1201C.1501D.200115.在数据安全分级中，将“身份证号”标记为敏感级，脱敏策略应优先选择：A.掩码A.掩码B.哈希MD5C.对称加密D.令牌化16.使用Python对10GBCSV做聚合，单机内存8GB，最佳实践是：A.pandas一次性读入B.dask分块并行C.numpy矩阵运算D.pickle序列化17.在深度学习分布式训练中，参数服务器架构主要解决：A.数据并行梯度同步B.模型并行张量划分C.网络带宽优化D.显存压缩18.某金融风控模型需满足“模型可解释性”监管要求，应优先采用：A.XGBoost+SHAPB.深度神经网络C.聚类算法D.强化学习19.在数据资产目录中，给“订单表”打标签“黄金”，其依据是：A.被下游任务调用次数>100且更新延迟<5minB.表大小>1TBC.所属部门为财务部D.创建时间<30天20.下列关于DeltaLake描述错误的是：A.支持ACID事务B.基于Parquet存储C.仅支持Spark引擎D.提供time-travel查询21.在Elasticsearch集群中，防止脑裂的最佳配置是：A.discovery.zen.minimum_master_nodes=(master_eligible_nodes/2)+1B.关闭多播C.增加数据节点D.降低副本数22.某视频APP采用CDN+边缘计算做实时推荐，其延迟瓶颈最可能出现在：A.特征回填B.模型推理C.日志回传D.参数更新23.在数据质量管理平台中，规则“字段非空率>99%”属于：A.一致性B.完整性C.及时性D.唯一性24.使用Airflow调度任务时，sensor任务长时间处于“running”状态，最可能原因是：A.上游文件未到达B.队列资源不足C.DAG未上线D.时区配置错误25.在数据可视化中，用“热力地图”展示疫情分布，其视觉通道主要映射：A.位置+颜色B.长度+角度C.面积+纹理D.形状+方向26.某工业互联网平台采集100万传感器，每秒1条，存储周期5年，采用列式压缩比1:10，则理论磁盘容量约为：A.15TBB.150TBC.1.5PBD.15PB27.在联邦学习框架中，参与方梯度上传前需做：A.同态加密B.差分隐私C.模型蒸馏D.知识图谱28.下列哪项最能体现数据中台“复用”理念？A.统一埋点SDKB.统一数据湖C.统一标签服务D.统一报表平台29.在数据科学项目生命周期中，耗时占比最高的阶段通常是：A.数据采集B.特征工程C.模型调参D.上线部署30.某零售公司做销量预测，将“节假日”字段做one-hot后维度升至5000，导致稀疏性过高，改进方法是：A.增加样本B.降维PCAC.目标编码D.正则化二、多项选择题（每题2分，共20分，多选少选均不得分）31.下列属于流处理语义的有：A.At-most-onceB.At-least-onceC.Exactly-onceD.End-to-endexactly-once32.关于HDFS写入流程，正确的是：A.Client先向NameNode申请blockB.数据以pipeline方式写入DataNodeC.默认副本策略为同机架两副本+异机架一副本D.写入完成后Client关闭文件，NameNode提交editlog33.以下属于数据脱敏技术的有：A.掩码B.哈希C.加密D.数据合成34.在构建实时数仓时，Lambda架构的缺点是：A.代码冗余B.运维复杂C.时效性低D.一致性难保证35.关于KafkaPartition，说法正确的有：A.一个partition只能被一个consumergroup内的一个consumer消费B.partition越多吞吐量越高C.partition数一旦创建不可调整D.partition是物理存储单元36.下列属于图数据库典型场景的有：A.社交网络好友推荐B.知识图谱问答C.金融反欺诈D.高并发订单支付37.在机器学习模型评估中，以下指标适用于类别不平衡场景的有：A.AccuracyB.F1-scoreC.AUC-ROCD.AUC-PR38.关于数据血缘，正确的有：A.可追踪字段级依赖B.可用于影响分析C.可用于数据质量追责D.只能手工维护39.以下属于分布式一致性算法的有：A.PaxosB.RaftC.ZABD.Gossip40.在数据安全合规中，属于个人信息的有：A.IMEIB.MAC地址C.设备指纹D.匿名化后的用户ID三、判断题（每题1分，共10分，正确打“√”，错误打“×”）41.SparkSQL的Catalyst优化器只能做规则优化，不能进行代价优化。42.HBase的Cell版本号默认由时间戳决定，可自定义。43.在数据挖掘中，过拟合模型一定表现为训练集误差高、测试集误差低。44.数据湖无需数据治理即可直接产生业务价值。45.差分隐私通过添加噪声保证个体不可识别，但会降低聚合精度。46.Flink的Checkpoint屏障机制会导致数据延迟增大，因此应关闭。47.在深度学习中，BatchNormalization可以加速收敛并缓解梯度消失。48.数据资产目录的唯一目的是方便数据科学家找表。49.使用ErasureCoding代替三副本，可在同等容错下节省50%存储。50.数据可视化中的“liefactor”越接近1越好。四、计算题（共20分）51.（6分）某省卫健委需对核酸检测记录做去重，已知单日数据量3亿条，64字节/条，采用BloomFilter去重，要求误判率≤0.1%，计算所需内存。提示：BloomFilter位数公式m哈希函数最优个数k52.（6分）某电商大促期间，订单表每秒写入5万条，单条1KB，Kafka集群3节点，每节点磁盘10TB，副本因子2，消息保留3天，计算磁盘是否足够，若不足需扩容多少节点？53.（8分）某交通卡口车牌识别系统，日均过车记录1亿条，需保存图像路径（100字节）+特征向量（512维float32），采用HBase存储，RowKey设计为“卡口ID+时间戳倒序”，预分区16个Region，压缩算法SNAPPY，压缩比1:4，计算理论存储容量（含3副本），并评估单Region大小是否超过推荐值10GB。五、简答题（每题10分，共20分）54.结合“东数西算”工程背景，阐述大数据中心选址需考虑的关键因素，并给出至少两条量化评估指标。55.某银行拟构建“实时反欺诈”系统，交易峰值5万TPS，平均延迟≤50ms，请给出技术架构图（文字描述即可），并说明各组件如何满足高可用、高并发、可扩展要求。——答案与解析——一、单项选择题1.A2.B3.D4.B5.C6.C7.A8.A9.B10.B11.A12.C13.D14.B15.D16.B17.A18.A19.A20.C21.A22.A23.B24.A25.A26.C27.B28.C29.B30.C二、多项选择题31.BCD32.ABCD33.ABCD34.ABD35.ABD36.ABC37.BCD38.ABC39.ABCD40.ABC三、判断题41×Catalyst支持CBO。42√43×过拟合表现为训练误差低、测试误差高。44×数据湖需治理才能持续产生价值。45√46×屏障机制是exactly-once核心，不可关闭。47√48×目录还服务于合规、安全、运营。49√EC6+3方案冗余度50%，与三副本200%相比节省约50%。50√四、计算题51.解析：n=3×10^8，p=0.001mk≈10，内存约428MB，单机即可加载。52.解析：日增量=5×10^4×86400×1KB≈4.32TB3天双副本=4.32×3×2=25.92TB集群总磁盘=3×10=30TB，可用空间约30×0.8=24TB<25.92TB缺口≈2TB，按每节点8TB可用计，需再扩容1节点。53.解析：单条大小=100+512×4=2148字节日增量=1×10^8×2148≈214.8GB3天原始=644.4GB，压缩后≈161.1GB，三副本≈483.3GB预分区16Region，每Region≈483.3/16≈30.2GB>10GB建议把分区数提高到64，单Region≈7.5GB，符合最佳实践。五、简答题54.关键因子：1.绿电占比≥80%，PUE≤1.2；2.到骨干网节点时延≤20ms，可用带宽≥10Tbps；3.地质稳定，地震烈度<VI度；4.年均气温≤15℃，自然冷却天数≥300天；5.数据主权合规，跨境流动评估≤50ms。量化指标：a.每机架年TCO=（CAPEX+OPEX）/机架数，目标≤8万元；b.碳排放因子≤0.3tCO₂e/PB。55.架构描述：1.接入层：API网关+DNS多活，支持横向扩展至20节点，Keepalived+ECMP实现秒级故障转移；2.流处理：Flink集群（3JobManagerHA+30TaskManager），开启RocksDB增量Checkpoint，端到端exactly-once；3.特征存储：RedisCluster+自研LRU，单分片≥8万QPS，双副本，